当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


R themis step_smote 应用SMOTE算法


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。

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

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()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。

调整参数

此步骤有 2 个调整参数:

  • over_ratio:过采样率(类型:double,默认值:1)

  • neighbors : # 最近邻居(类型:整数,默认值:5)

箱重

底层操作不允许使用案例权重。

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")

源代码:R/smote.R

相关用法


注:本文由纯净天空筛选整理自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。