R themis step_downsample 基於因子變量對數據集進行下采樣

step_downsample() 創建配方步驟的規範，該步驟將刪除數據集的行，以使特定因子級別中級別的出現次數相等。

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")
)

參數

recipe: 一個菜譜對象。該步驟將添加到此配方的操作序列中。
...: 一個或多個選擇器函數用於選擇使用哪個變量對數據進行采樣。有關更多詳細信息，請參閱selections()。選擇應產生單因子變量。對於tidy 方法，當前未使用這些。
under_ratio: minority-to-majority 頻率比率的數值。默認值 (1) 意味著所有其他級別都會向下采樣，以具有與最少出現的級別相同的頻率。值為 2 意味著多數級別的行數(最多)(大約)是少數級別的行數的兩倍。
ratio: 已棄用的參數；與under_ratio相同
role: 由於沒有創建新變量，因此此步驟未使用。
trained: 指示預處理數量是否已估計的邏輯。
column: 將由 ... 選擇器(最終)填充的變量名稱的字符串。
target: 將用於二次采樣的整數。這不應由用戶設置，並將由 prep 填充。
skip: 一個合乎邏輯的。當bake() 烘焙食譜時是否應該跳過此步驟？雖然所有操作都是在 prep() 運行時烘焙的，但某些操作可能無法對新數據進行(例如處理結果變量)。使用skip = TRUE時應小心，因為它可能會影響後續操作的計算。
seed: 下采樣時用作種子的整數。
id: 該步驟特有的字符串，用於標識它。

值

recipe 的更新版本，其中新步驟添加到現有步驟(如果有)的序列中。對於 tidy 方法，包含 terms 列的 tibble，它是用於采樣的變量。

細節

下采樣旨在單獨在訓練集上執行。因此，默認值為 skip = TRUE 。

如果用於定義抽樣的因子變量中存在缺失值，則將以與其他因子水平抽樣相同的方式隨機選擇缺失數據。缺失值不用於確定少數級別的數據量

對於因子水平出現頻率與少數水平相同的任何數據，所有數據都將被保留。

數據中的所有列均由 juice() 和 bake() 采樣並返回。

請記住，步驟中下采樣的位置可能會產生影響。例如，如果居中和縮放，則不清楚這些操作應該在刪除行之前還是之後進行。

整理

當您tidy()此步驟時，將返回包含列terms(選擇的選擇器或變量)的tibble。

調整參數

此步驟有 1 個調整參數：

under_ratio : Under-Sampling 比率(類型：double，默認值：1)

箱重

此步驟執行可以利用案例權重的無監督操作。要使用它們，請參閱 recipes::case_weights 中的文檔和 tidymodels.org 中的示例。

也可以看看

under-sampling 的其他步驟：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")

源代碼：R/downsample.R

相關用法

注：本文由純淨天空篩選整理自等大神的英文原創作品 Down-Sample a Data Set Based on a Factor Variable。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。