我有一个数据集(tf-idf 加权词),其中包含我尝试预测的多个类别。我的类(class)不平衡。我想使用来自 sklearn 的 OneVsRestClassifier 对一些分类器(例如多项式朴素贝叶斯)使用 One vs. rest 分类方法。
此外,我想使用不平衡学习包(很可能是上采样和下采样的组合之一)来增强我的数据。使用不平衡学习的正常方法是:
from imblearn.combine import SMOTEENN
smote_enn = SMOTEENN(random_state=0)
X_resampled, y_resampled = smote_enn.fit_resample(X, y)
我现在有一个数据集,每个标签的案例数大致相同。然后我会在重采样数据上使用分类器。
from sklearn.multiclass import OneVsRestClassifier
from sklearn.naive_bayes import MultinomialNB
ovr = OneVsRestClassifier(MultinomialNB())
ovr.fit(X_resampled, y_resampled)
但是:现在每个标签在安装时都存在巨大的不平衡,因为我总共有 50 多个标签。正确的?我想我需要对每个标签应用上采样/下采样方法,而不是一开始就做一次。如何对每个标签使用重采样?
请您参考如下方法:
根据评论中的讨论,你想要的可以这样做:
from sklearn.naive_bayes import MultinomialNB
from imblearn.combine import SMOTEENN
# Observe how I imported Pipeline from IMBLEARN and not SKLEARN
from imblearn.pipeline import Pipeline
from sklearn.multiclass import OneVsRestClassifier
# This pipeline will resample the data and
# pass the output to MultinomialNB
pipe = Pipeline([('sampl', SMOTEENN()),
('clf', MultinomialNB())])
# OVR will transform the `y` as you know and
# then pass single label data to different copies of pipe
# multiple times (as many labels in data)
ovr = OneVsRestClassifier(pipe)
ovr.fit(X, y)
代码说明:
第 1 步:
OneVsRestClassifier将创建多个y列。每个标签一个,其中该标签为正,所有其他标签为负。第 2 步:对于每个标签,
OneVsRestClassifier将克隆提供的pipe估计器并将单独的数据传递给它。第 3 步:
一个。
pipe的每个副本都会得到一个不同版本的y,它被传递给它内部的SMOTEENN,因此会进行不同的采样以平衡在那里上课。pipe的第二部分 (clf) 将根据需要为每个标签获取平衡数据集。第四步:在预测时间内,采样部分将被关闭,因此数据将原样到达
clf。 sklearn 管道不处理该部分,所以这就是我使用imblearn.pipeline的原因。
希望这对您有所帮助。
