python - 使用 One vs. rest 分类器进行上/下采样

Question

我有一个数据集(tf-idf 加权词)，其中包含我尝试预测的多个类别。我的类(class)不平衡。我想使用来自 sklearn 的 OneVsRestClassifier 对一些分类器(例如多项式朴素贝叶斯)使用 One vs. rest 分类方法。

此外，我想使用不平衡学习包(很可能是上采样和下采样的组合之一)来增强我的数据。使用不平衡学习的正常方法是:

from imblearn.combine import SMOTEENN
smote_enn = SMOTEENN(random_state=0)
X_resampled, y_resampled = smote_enn.fit_resample(X, y)

我现在有一个数据集，每个标签的案例数大致相同。然后我会在重采样数据上使用分类器。

from sklearn.multiclass import OneVsRestClassifier
from sklearn.naive_bayes import MultinomialNB
ovr = OneVsRestClassifier(MultinomialNB())
ovr.fit(X_resampled, y_resampled)

但是:现在每个标签在安装时都存在巨大的不平衡，因为我总共有 50 多个标签。正确的？我想我需要对每个标签应用上采样/下采样方法，而不是一开始就做一次。如何对每个标签使用重采样？

Answer 1

根据评论中的讨论，你想要的可以这样做:

from sklearn.naive_bayes import MultinomialNB
from imblearn.combine import SMOTEENN

# Observe how I imported Pipeline from IMBLEARN and not SKLEARN
from imblearn.pipeline import Pipeline
from sklearn.multiclass import OneVsRestClassifier

# This pipeline will resample the data and  
# pass the output to MultinomialNB
pipe = Pipeline([('sampl', SMOTEENN()), 
                 ('clf', MultinomialNB())])

# OVR will transform the `y` as you know and 
# then pass single label data to different copies of pipe 
# multiple times (as many labels in data)
ovr = OneVsRestClassifier(pipe)
ovr.fit(X, y)

代码说明:

• 第 1 步:OneVsRestClassifier 将创建多个 y 列。每个标签一个，其中该标签为正，所有其他标签为负。

• 第 2 步:对于每个标签，OneVsRestClassifier 将克隆提供的 pipe 估计器并将单独的数据传递给它。

• 第 3 步:

  一个。 pipe 的每个副本都会得到一个不同版本的 y，它被传递给它内部的 SMOTEENN，因此会进行不同的采样以平衡在那里上课。

  pipe 的第二部分 (clf) 将根据需要为每个标签获取平衡数据集。

• 第四步:在预测时间内，采样部分将被关闭，因此数据将原样到达clf。 sklearn 管道不处理该部分，所以这就是我使用 imblearn.pipeline 的原因。

希望这对您有所帮助。