SMOTE（Synthetic Minority Over-Sampling Technique ，即“人工少数类过采样法“）----Python调包简单实现

一、SMOTE原理

SMOTE的全称是Synthetic Minority Over-Sampling Technique 即“人工少数类过采样法”，非直接对少数类进行重采样，而是设计算法来人工合成一些新的少数样本。

SMOTE步骤__1.选一个正样本

红色圈覆盖

SMOTE步骤__2.找到该正样本的K个近邻（假设K = 3）

SMOTE步骤__3.随机从K个近邻中选出一个样本

绿色的

SMOTE步骤__4.在正样本和随机选出的这个近邻之间的连线上，随机找一点。这个点就是人工合成的新正样本了

二、调包实现

2.1 R调包实现_SMOTE

2.2 Python 调包实现_SMOTE

imblearn.over_sampling.SMOTE(

sampling_strategy = ‘auto’,

random_state = None, ## 随机器设定

k_neighbors = 5, ## 用相近的 5 个样本（中的一个）生成正样本

m_neighbors = 10, ## 当使用 kind={'borderline1', 'borderline2', 'svm'}

out_step = ‘0.5’, ## 当使用kind = 'svm'

kind = 'regular', ## 随机选取少数类的样本

– borderline1：最近邻中的随机样本b与该少数类样本a来自于不同的类

– borderline2：随机样本b可以是属于任何一个类的样本;

– svm：使用支持向量机分类器产生支持向量然后再生成新的少数类样本

svm_estimator = SVC(), ## svm 分类器的选取

n_jobs = 1, ## 使用的例程数，为-1时使用全部CPU

ratio=None )

from imblearn.over_sampling import SMOTEsm = SMOTE(random_state = 42, n_jobs = -1)x, y = sm.fit_sample(x_val, y_val)

仅用正样本的K近邻生成新正样本是正是SMOTE方法，考虑到（SMOTE的最终目的是分清正负样本的边界），所以需要对样本生成进行优化

2.2.1 SMOTE优化 borderline1 方法简述

Dgr = [] # 危险集

for i in 正样本：

1) 计算点 i 在训练集 D 上的 m 个最近邻。

x = i 的最近邻中属于负样本的数量

2) 如果 x = m，则 p 是一个噪声

next

3) 如果 0 ≤ x ≤ m/2, 则说明p很安全

next

4) 如果 m/2 ≤ x ≤ m, 那么点p就很危险了，我们需要在这个点附近生成一些新的少数类点

Dgr.append(x)

最后，对于每个在危险集(Dgr)中的点，使用SMOTE算法生成新的样本

2.2.2 SMOTE优化 borderline2 方法简述

前面1-4步骤均同 borderline1 方法

在最后进行SMOTE的时候：

采用了比例分配生成新样本

for i in Dgr:

1) 正样本 K 个近邻

2) 负样本 K 个近邻

3) 正样本 K 个近邻选取 alpha 比例的样本点

和 i 作随机的线性插值 ==>> 新正样本点

4) 负样本K个近邻选取 (1 - alpha) 比例的样本点

和 i 作随机的线性插值 ==>> 新正样本点

三、算法实现

#! /user/bin/python 3
# -*- coding: utf-8 -*-
# author: Scc_hy
# 2018-11-17
# SMOTE
from sklearn.neighbors import NearestNeighbors
import numpy as np
import pandas as pd
import copy
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifierclass TWO_SMOTE():"""不平二分类人工插值法采样"""def __init__(self, K_neighbors = 5,N_need = 200,random_state = 42):self.K_neighbors = K_neighborsself.N_need = N_needself.random_state = 42def get_param_describe(self):print("算法参数: \n"+'K_neighbors: 和正样本相近的随机样本数' + "\n" +"N_need: 需要增加的正样本数 (N_need // 100 * a)" + "\n" +"random_state: 随机器设定" + "\n""\nover_sample 参数：\n" +"x_data: 需要进行过采样的全部数据集(非文本DataFrame)" + "\n" +"y_label: 类别标签(非文本DataFrame.Series)"+ "\n" )def div_data(self, x_data, y_label):"""将数据依据类分开"""tp = set(y_label)tp_less = [a for a in tp if sum(y_label == a) < sum(y_label != a)][0]data_less = x_data.iloc[y_label == tp_less, :]data_more = x_data.iloc[y_label != tp_less, :]tp.remove(tp_less)return data_less, data_more, tp_less, list(tp)[0]def get_SMOTE_sample(self, x_data, y_label):"""获取需要抽样的正样本"""sample = []data_less, data_more, tp_less, tp_more = self.div_data(x_data, y_label)n_integ = self.N_need // 100data_add = copy.deepcopy(data_less)if n_integ == 0 :print('WARNING: PLEASE RE-ENTER N_need')else:for i in range(n_integ-1):data_out =  data_less.append(data_add)data_out.reset_index(inplace = True, drop = True)return data_out, tp_lessdef over_sample(self, x_data, y_label):"""SMOTE算法简单实现"""sample, tp_less = self.get_SMOTE_sample(x_data, y_label)knn = NearestNeighbors(n_neighbors = self.K_neighbors ,n_jobs = -1).fit(sample)n_atters = x_data.shape[1]label_out = copy.deepcopy(y_label)new = pd.DataFrame(columns = x_data.columns)for i in range(len(sample)): # 1. 选择一个正样本# 2.选择少数类中最近的K个样本k_sample_index = knn.kneighbors(np.array(sample.iloc[i, :]).reshape(1, -1),n_neighbors = self.K_neighbors + 1,return_distance = False)# 计算插值样本# 3.随机选取K中的一个样本np.random.seed(self.random_state)choice_all = k_sample_index.flatten()choosed = np.random.choice(choice_all[choice_all != 0])# 4. 在正样本和随机样本之间选出一个点diff = sample.iloc[choosed,] - sample.iloc[i,]gap = np.random.rand(1, n_atters)new.loc[i] = [x for x in sample.iloc[i,] + gap.flatten() * diff]label_out = np.r_[label_out, tp_less]new_sample = pd.concat([x_data, new])new_sample.reset_index(inplace = True, drop = True)return new_sample, label_outif __name__ == '__main__':iris = load_iris()irisdf = pd.DataFrame(data = iris.data, columns = iris.feature_names)     y_label = iris.target# 生成不平二分类数据iris_1 = irisdf.iloc[y_label == 1,]iris_2 = irisdf.iloc[y_label == 2,]iris_2imb = pd.concat([iris_1, iris_2.iloc[:10, :]])label_2imb =np.r_[y_label[y_label == 1], y_label[y_label == 2][:10]]iris_2imb.reset_index(inplace = True, drop = True)smt  = TWO_SMOTE()x_new, y_new = smt.over_sample(iris_2imb, label_2imb)

以上就是SMOTE的简单实现，尚未有考虑到仅有 0 1变量，后期会更新

SMOTE（Synthetic Minority Over-Sampling Technique ，即“人工少数类过采样法“）----Python调包简单实现相关推荐

不平衡分类（二）-过采样（SMOTE）【Synthetic Minority Over-Sampling Technique ，“人工少数类过采样法“】
SMOTE的全称是Synthetic Minority Over-Sampling Technique 即"人工少数类过采样法",非直接对少数类进行重采样,而是设计算法来人工合成一 ...
(转载)机器学习知识点(十三)吉布斯采样法(Gibbs Sampling)
3.1 随机模拟随机模拟(或者统计模拟)方法有一个很酷的别名是蒙特卡罗方法(Monte Carlo Simulation).这个方法的发展始于20世纪40年代,和原子弹制造的曼哈顿计划密切相关,当时 ...
python求pai的近似值_PR Sampling Ⅰ: 蒙特卡洛采样、重要性采样及python实现
刘浚嘉:PR:机器人学的概率方法学习路径zhuanlan.zhihu.com PR 采样分章第一节:蒙特卡洛采样.重要性采样引言还记得我们之前学过的贝叶斯推断吗? 刘浚嘉:PR Ⅱ:贝叶斯估计 ...
蒙特卡洛采样_PR Sampling : 蒙特卡洛采样、重要性采样及python实现
作者:刘浚嘉专栏地址:https://www.zhihu.com/column/c_1188392852261134336 引言还记得我们之前学过的贝叶斯推断吗?https://zhuanlan. ...
selenium 模拟人工登录高德开发者平台（python）
使用selenium模拟人工登录高德开发者平台. 1.自动输入账户.密码 2.自动模拟拖拽滑块验证 3.自动提交 from selenium import webdriver from seleniu ...
python实现采样函数_PR Sampling Ⅰ: 蒙特卡洛采样、重要性采样及python实现
刘浚嘉:PR:机器人学的概率方法学习路径zhuanlan.zhihu.com PR 采样分章第一节:蒙特卡洛采样.重要性采样引言还记得我们之前学过的贝叶斯推断吗?刘浚嘉:PR Ⅱ:贝叶斯估计/ ...
人工神经网络（ANN）及python实现
前言初学人工智能不久,今天碰上了人工神经网(ANN),开始学的时候很懵,一大堆理论.公式.推导-作为一名小白,还是很痛苦的,不过经过摸索,大概了解了什么是ANN,公式的推导以及一些其他问题,下面我 ...
人工智能系统学习（结合实例python）
人工智能系统学习(python) 项目就在csdn的gitcode上,连接如下 https://gitcode.net/hx1156477702/py-AI 2022/11/16日开始系统的复习人工智 ...
【Mo 人工智能技术博客】采用 Python 机器学习预测足球比赛结果
采用 Python 机器学习预测足球比赛结果足球是世界上最火爆的运动之一,世界杯期间也往往是球迷们最亢奋的时刻.比赛狂欢季除了炸出了熬夜看球的铁杆粉丝,也让足球竞猜也成了大家茶余饭后最热衷的话题.甚 ...
PHP能写ai人工智能客服,AI人工智能电话机器人从此让电销变的简单
从90年代中国引进外呼开始,中国在外呼上的发展已经经历了20余年,纵观整个发展史,外呼人员在我国已经发展到十分壮大.据4PS国际标准中心的研究报告显示,截止到2014年,外呼从业人员已经到达300万, ...