R themis step_smotenc 应用 SMOTENC 算法

step_smotenc() 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。高尔距离用于处理混合数据类型。对于分类变量，选择沿邻居最常见的类别。

用法

step_smotenc(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  column = NULL,
  over_ratio = 1,
  neighbors = 5,
  skip = TRUE,
  seed = sample.int(10^5, 1),
  id = rand_id("smotenc")
)

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。

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

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。

列可以是数字列和分类列，不丢失数据。

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

smotenc() 直接实现

过采样的其他步骤：step_adasyn()、step_bsmote()、step_rose()、step_smote()、step_upsample()

例子

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

orig <- count(hpc_data, 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_data) %>%
  step_impute_knn(all_predictors()) %>%
  # Bring the minority levels up to about 1000 each
  # 1000/2211 is approx 0.4523
  step_smotenc(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_data) %>%
  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

源代码：R/smotenc.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 Apply SMOTENC 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。