R themis step_nearmiss 刪除其他類附近的點

step_nearmiss() 創建配方步驟的規範，該步驟通過根據多數類中的點與同一類中其他點的距離對點進行欠采樣來刪除多數類實例。

用法

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

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。
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。
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。
neighbors: 一個整數。用於生成少數類新示例的最近鄰居的數量。
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: 應用時將用作種子的整數。
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

該方法保留了多數類中與少數類中 k 個最近點具有最小平均距離的點。

數據中的所有列均由 juice() 和 bake() 采樣並返回。

此步驟中使用的所有列都必須是數字且沒有丟失數據。

在建模中使用時，用戶應強烈考慮使用選項skip = TRUE，以便不在訓練集之外進行額外采樣。

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 2 個調整參數：

under_ratio : Under-Sampling 比率(類型：double，默認值：1)
neighbors : # 最近鄰居(類型：整數，默認值：5)

箱重

底層操作不允許使用案例權重。

參考

Inderjeet Mani 和我張。處理不平衡數據分布的 knn 方法：涉及信息提取的案例研究。摘自不平衡數據集學習研討會論文集，2003 年。

也可以看看

nearmiss() 直接實現

under-sampling 的其他步驟：step_downsample()、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_nearmiss(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 NEARMISS") +
  xlim(c(1, 15)) +
  ylim(c(1, 15))


recipe(class ~ x + y, data = circle_example) %>%
  step_nearmiss(class) %>%
  prep() %>%
  bake(new_data = NULL) %>%
  ggplot(aes(x, y, color = class)) +
  geom_point() +
  labs(title = "With NEARMISS") +
  xlim(c(1, 15)) +
  ylim(c(1, 15))

源代碼：R/nearmiss.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 Remove Points Near Other Classes。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。