step_smote()
创建配方步骤的规范,该步骤使用这些案例的最近邻居生成少数类的新示例。
用法
step_smote(
recipe,
...,
role = NA,
trained = FALSE,
column = NULL,
over_ratio = 1,
neighbors = 5,
skip = TRUE,
seed = sample.int(10^5, 1),
id = rand_id("smote")
)
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。 - 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。 - over_ratio
-
多数频率与少数频率之比的数值。默认值 (1) 表示对所有其他级别进行采样,使其具有与最常出现的级别相同的频率。值为 0.5 意味着少数级别的行数(最多)(大约)是多数级别的一半。
- neighbors
-
一个整数。用于生成少数类新示例的最近邻居的数量。
- 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
-
当 smote-ing 时将用作种子的整数。
- id
-
该步骤特有的字符串,用于标识它。
细节
参数neighbors
控制新示例的创建方式。对于每个当前存在的少数类示例,将创建 X 个新示例(这由参数 over_ratio
控制,如上所述)。这些示例将通过使用来自少数类每个示例的 neighbors
最近邻居的信息来生成。参数neighbors
控制使用多少个邻居。
数据中的所有列均由 juice()
和 bake()
采样并返回。
此步骤中使用的所有列都必须是数字且没有丢失数据。
在建模中使用时,用户应强烈考虑使用选项skip = TRUE
,以便不在训练集之外进行额外采样。
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。
参考
Chawla, N. V.、Bowyer, K. W.、Hall, L. O. 和 Kegelmeyer, W. P. (2002)。 Smote:合成少数过采样技术。人工智能研究杂志,16:321-357。
也可以看看
smote()
直接实现
过采样的其他步骤:step_adasyn()
、step_bsmote()
、step_rose()
、step_smotenc()
、step_upsample()
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 minority levels up to about 1000 each
# 1000/2211 is approx 0.4523
step_smote(class, over_ratio = 0.4523) %>%
prep()
training <- up_rec %>%
bake(new_data = NULL) %>%
count(class, name = "training")
training
#> # A tibble: 4 × 2
#> class training
#> <fct> <int>
#> 1 VF 2211
#> 2 F 1347
#> 3 M 1000
#> 4 L 1000
# 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 2211 2211
#> 2 F 1347 1347 1347
#> 3 M 514 1000 514
#> 4 L 259 1000 259
library(ggplot2)
ggplot(circle_example, aes(x, y, color = class)) +
geom_point() +
labs(title = "Without SMOTE")
recipe(class ~ x + y, data = circle_example) %>%
step_smote(class) %>%
prep() %>%
bake(new_data = NULL) %>%
ggplot(aes(x, y, color = class)) +
geom_point() +
labs(title = "With SMOTE")
相关用法
- R themis step_smotenc 应用 SMOTENC 算法
- R themis step_downsample 基于因子变量对数据集进行下采样
- R themis step_tomek 删除 Tomek 的链接
- R themis step_rose 应用ROSE算法
- R themis step_upsample 基于因子变量对数据集进行上采样
- R themis step_bsmote 应用边界-SMOTE 算法
- R themis step_nearmiss 删除其他类附近的点
- R themis step_adasyn 应用自适应合成算法
- R themis smotenc SMOTENC算法
- R themis smote SMOTE算法
- R themis tomek 删除 Tomek 的链接
- R themis bsmote 边界-SMOTE算法
- R themis nearmiss 删除其他类附近的点
- R themis adasyn 自适应合成算法
- R update_PACKAGES 更新现有的 PACKAGES 文件
- R textrecipes tokenlist 创建令牌对象
- R print.via.format 打印实用程序
- R tibble tibble 构建 DataFrame 架
- R tidyr separate_rows 将折叠的列分成多行
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes show_tokens 显示配方的令牌输出
- R tidyr extract 使用正则表达式组将字符列提取为多列
- R prepare_Rd 准备用于渲染的解析 Rd 对象
- R tidyr chop 砍伐和砍伐
- R tidyr pivot_longer_spec 使用规范将数据从宽转为长
注:本文由纯净天空筛选整理自等大神的英文原创作品 Apply SMOTE Algorithm。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。