R themis step_downsample 基于因子变量对数据集进行下采样

step_downsample() 创建配方步骤的规范，该步骤将删除数据集的行，以使特定因子级别中级别的出现次数相等。

用法

step_downsample(
  recipe,
  ...,
  under_ratio = 1,
  ratio = deprecated(),
  role = NA,
  trained = FALSE,
  column = NULL,
  target = NA,
  skip = TRUE,
  seed = sample.int(10^5, 1),
  id = rand_id("downsample")
)

参数

recipe: 一个菜谱对象。该步骤将添加到此配方的操作序列中。
...: 一个或多个选择器函数用于选择使用哪个变量对数据进行采样。有关更多详细信息，请参阅selections()。选择应产生单因子变量。对于tidy 方法，当前未使用这些。
under_ratio: minority-to-majority 频率比率的数值。默认值 (1) 意味着所有其他级别都会向下采样，以具有与最少出现的级别相同的频率。值为 2 意味着多数级别的行数(最多)(大约)是少数级别的行数的两倍。
ratio: 已弃用的参数；与under_ratio相同
role: 由于没有创建新变量，因此此步骤未使用。
trained: 指示预处理数量是否已估计的逻辑。
column: 将由 ... 选择器(最终)填充的变量名称的字符串。
target: 将用于二次采样的整数。这不应由用户设置，并将由 prep 填充。
skip: 一个合乎逻辑的。当bake() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 prep() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用skip = TRUE时应小心，因为它可能会影响后续操作的计算。
seed: 下采样时用作种子的整数。
id: 该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，其中新步骤添加到现有步骤(如果有)的序列中。对于 tidy 方法，包含 terms 列的 tibble，它是用于采样的变量。

细节

下采样旨在单独在训练集上执行。因此，默认值为 skip = TRUE 。

如果用于定义抽样的因子变量中存在缺失值，则将以与其他因子水平抽样相同的方式随机选择缺失数据。缺失值不用于确定少数级别的数据量

对于因子水平出现频率与少数水平相同的任何数据，所有数据都将被保留。

数据中的所有列均由 juice() 和 bake() 采样并返回。

请记住，步骤中下采样的位置可能会产生影响。例如，如果居中和缩放，则不清楚这些操作应该在删除行之前还是之后进行。

整理

当您tidy()此步骤时，将返回包含列terms(选择的选择器或变量)的tibble。

调整参数

此步骤有 1 个调整参数：

under_ratio : Under-Sampling 比率(类型：double，默认值：1)

箱重

此步骤执行可以利用案例权重的无监督操作。要使用它们，请参阅 recipes::case_weights 中的文档和 tidymodels.org 中的示例。

也可以看看

under-sampling 的其他步骤：step_nearmiss()、step_tomek()

例子

library(recipes)
library(modeldata)
data(hpc_data)

hpc_data0 <- hpc_data %>%
  select(-protocol, -day)

orig <- count(hpc_data0, class, name = "orig")
orig
#> # A tibble: 4 × 2
#>   class  orig
#>   <fct> <int>
#> 1 VF     2211
#> 2 F      1347
#> 3 M       514
#> 4 L       259

up_rec <- recipe(class ~ ., data = hpc_data0) %>%
  # Bring the majority levels down to about 1000 each
  # 1000/259 is approx 3.862
  step_downsample(class, under_ratio = 3.862) %>%
  prep()

training <- up_rec %>%
  bake(new_data = NULL) %>%
  count(class, name = "training")
training
#> # A tibble: 4 × 2
#>   class training
#>   <fct>    <int>
#> 1 VF        1000
#> 2 F         1000
#> 3 M          514
#> 4 L          259

# Since `skip` defaults to TRUE, baking the step has no effect
baked <- up_rec %>%
  bake(new_data = hpc_data0) %>%
  count(class, name = "baked")
baked
#> # A tibble: 4 × 2
#>   class baked
#>   <fct> <int>
#> 1 VF     2211
#> 2 F      1347
#> 3 M       514
#> 4 L       259

# Note that if the original data contained more rows than the
# target n (= ratio * majority_n), the data are left alone:
orig %>%
  left_join(training, by = "class") %>%
  left_join(baked, by = "class")
#> # A tibble: 4 × 4
#>   class  orig training baked
#>   <fct> <int>    <int> <int>
#> 1 VF     2211     1000  2211
#> 2 F      1347     1000  1347
#> 3 M       514      514   514
#> 4 L       259      259   259

library(ggplot2)

ggplot(circle_example, aes(x, y, color = class)) +
  geom_point() +
  labs(title = "Without downsample")


recipe(class ~ x + y, data = circle_example) %>%
  step_downsample(class) %>%
  prep() %>%
  bake(new_data = NULL) %>%
  ggplot(aes(x, y, color = class)) +
  geom_point() +
  labs(title = "With downsample")

源代码：R/downsample.R

相关用法

注：本文由纯净天空筛选整理自等大神的英文原创作品 Down-Sample a Data Set Based on a Factor Variable。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。