如何在 python 的 sklearn 中使用交叉验证执行 SMOTE

Posted 2023-03-12

【中文标题】如何在 python 的 sklearn 中使用交叉验证执行 SMOTE

【英文标题】：How to perform SMOTE with cross validation in sklearn in python

【发布时间】：2019-08-30 15:27:09

【问题描述】：

我有一个高度不平衡的数据集，并希望执行 SMOTE 以平衡数据集并执行交叉验证以测量准确性。但是，大多数现有教程仅使用单个 training 和 testing 迭代来执行 SMOTE。

因此，我想知道使用交叉验证执行 SMOTE 的正确程序。

我当前的代码如下。但是，如上所述，它只使用单次迭代。

from imblearn.over_sampling import SMOTE
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
sm = SMOTE(random_state=2)
X_train_res, y_train_res = sm.fit_sample(X_train, y_train.ravel())
clf_rf = RandomForestClassifier(n_estimators=25, random_state=12)
clf_rf.fit(x_train_res, y_train_res)

如果需要，我很乐意提供更多详细信息。

【参考方案1】：

我认为您也可以使用不平衡学习库中的管道来解决此问题。

我在名为 Machine Learning Mastery https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/ 的博客中看到了这个解决方案

这个想法是使用 imblearn 的管道来进行交叉验证。请让我知道这是否有效。下面的例子是一个决策树，但逻辑是一样的。

#decision tree evaluated on imbalanced dataset with SMOTE oversampling
from numpy import mean
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.tree import DecisionTreeClassifier
from imblearn.pipeline import Pipeline
from imblearn.over_sampling import SMOTE
# define dataset
X, y = make_classification(n_samples=10000, n_features=2, n_redundant=0,
    n_clusters_per_class=1, weights=[0.99], flip_y=0, random_state=1)
# define pipeline
steps = [('over', SMOTE()), ('model', DecisionTreeClassifier())]
pipeline = Pipeline(steps=steps)
# evaluate pipeline
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
scores = cross_val_score(pipeline, X, y, scoring='roc_auc', cv=cv, n_jobs=-1)
score =  mean(scores))

【参考方案2】：

您需要在每次折叠内执行 SMOTE。因此，您需要避免使用train_test_split，而使用KFold：

from sklearn.model_selection import KFold
from imblearn.over_sampling import SMOTE
from sklearn.metrics import f1_score

kf = KFold(n_splits=5)

for fold, (train_index, test_index) in enumerate(kf.split(X), 1):
    X_train = X[train_index]
    y_train = y[train_index]  # Based on your code, you might need a ravel call here, but I would look into how you're generating your y
    X_test = X[test_index]
    y_test = y[test_index]  # See comment on ravel and  y_train
    sm = SMOTE()
    X_train_oversampled, y_train_oversampled = sm.fit_sample(X_train, y_train)
    model = ...  # Choose a model here
    model.fit(X_train_oversampled, y_train_oversampled )  
    y_pred = model.predict(X_test)
    print(f'For fold fold:')
    print(f'Accuracy: model.score(X_test, y_test)')
    print(f'f-score: f1_score(y_test, y_pred)')

例如，您还可以将分数附加到外部定义的list。

【讨论】：

请注意：您可能希望使用 StratifiedKFold 代替，就像在另一个答案中一样，因为您可能有一个不平衡的类问题。

非常感谢。我也有一个 y 值。在那种情况下，我该如何更改这个in enumerate(kf.split(X), 1):？

@Emi 您不需要修改它。 kf.split 所做的只是取 X 的 size （它有多少行）来确定如何为每个折叠生成索引。由于您的y 应该与X 大小相同，因此您无需提供它。也就是说，你可以做kf.split(X, y)，它会产生同样的效果。

@gmds 一个小问题：你为什么不对过采样数据``` X_train_oversampled ``` 和y_train_oversampled 拟合模型，而你宁愿使用model.fit(X_train, y_train) ？

@Hiyam 这实际上是我的错误，谢谢！将编辑。

【参考方案3】：

from sklearn.model_selection import StratifiedKFold
from imblearn.over_sampling import SMOTE

cv = StratifiedKFold(n_splits=5)
for train_idx, test_idx, in cv.split(X, y):
    X_train, y_train = X[train_idx], y[train_idx]
    X_test, y_test = X[test_idx], y[test_idx]
    X_train, y_train = SMOTE().fit_sample(X_train, y_train)
    ....