Sklearn机器学习样本不均衡的几种处理方式

SMOTE

在处理样本不均衡问题时,一种常用的方法是使用“自动重采样”方法。这种方法通过在训练数据中多次重复某些样本来平衡样本数量。具体来说,假设你正在使用 scikit-learn,你可以使用 imblearn 库中的 SMOTE 类来解决这个问题。

下面是一个使用 SMOTE 类进行自动重采样的简单示例:

# 首先,导入所需的库
from sklearn.datasets import make_classification
from imblearn.over_sampling import SMOTE

# 生成一个具有样本不均衡的分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_informative=15, n_redundant=5,
                           n_classes=2, weights=[0.05, 0.95], random_state=1337)

# 使用 SMOTE 类对数据进行自动重采样
smote = SMOTE(random_state=1337)
X_resampled, y_resampled = smote.fit_resample(X, y)

在这个例子中,我们首先使用 make_classification 函数生成了一个具有样本不均衡的分类数据集。然后,我们使用 SMOTE 类将数据进行自动重采样,并将重新采样后的数据集赋值给 X_resampledy_resampled。这个数据集现在应该是均衡的,可以用于模型训练。

降采样

除了自动重采样,还有其他几种常用的解决样本不均衡问题的方法。例如,你可以使用“降采样”方法,它通过从数据集中删除某些样本来减少样本数量,以平衡数据。

在使用 scikit-learn 时,你可以使用 imblearn 库中的 RandomUnderSampler 类来实现这种方法。例如,下面的代码片段展示了如何使用 RandomUnderSampler 类进行下采样:

# 首先,导入所需的库
from sklearn.datasets import make_classification
from imblearn.under_sampling import RandomUnderSampler

# 生成一个具有样本不均衡的分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_informative=15, n_redundant=5,
                           n_classes=2, weights=[0.05, 0.95], random_state=1337)

# 使用 RandomUnderSampler 类对数据进行下采样
under_sampler = RandomUnderSampler(random_state=1337)
X_resampled, y_resampled = under_sampler.fit_resample(X, y)

在这个例子中,我们首先生成了一个样本不均衡的分类数据集,然后使用 RandomUnderSampler 类对数据进行下采样。最后,我们将重新采样后的数据集赋值给 X_resampledy_resampled,这样就可以用于模型训练。

修改权重

要是你的数据实在是太少了,降采样完就没啥数据了,那就要修改权重了。

除了自动重采样和下采样,还有一些其他方法可以解决样本不均衡问题。例如,你可以使用“修改损失函数”的方法,即在模型训练时调整损失函数的权重,以确保少数类的样本对结果的贡献更大。

在 scikit-learn 中,你可以使用 class_weight 参数来实现这种方法。例如,下面的代码片段展示了如何在使用决策树分类器训练模型时调整损失函数的权重:

# 首先,导入所需的库
from sklearn.datasets import make_classification
from sklearn.tree import DecisionTreeClassifier

# 生成一个具有样本不均衡的分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_informative=15, n_redundant=5,
                           n_classes=2, weights=[0.05, 0.95], random_state=1337)

# 使用 DecisionTreeClassifier 类创建一个决策树分类器
classifier = DecisionTreeClassifier(random_state=1337)

# 调整损失函数的权重,并训练模型
classifier.fit(X, y, class_weight={0: 1, 1: 10})

这个例子中,我们首先生成了一个样本不均衡的分类数据集。然后,我们使用 DecisionTreeClassifier 类创建了一个决策树分类器,并在调用 fit 方法时使用 class_weight 参数调整了损失函数的权重。

原文地址:https://l337.top/archives/391(在新窗口中打开)

### Transformer 模型详解 #### 一、Transformer 整体架构 Transformer 是一种基于自注意力机制(Self-Attention Mechanism)的神经网络模型,旨在解决序列数据处理中的长期依赖问题。该模型摒弃了传统的循环神经网络(RNN) 和卷积神经网络(CNN),完全依靠自注意力机制来捕捉输入和输出之间的全局依赖关系[^1]。 整个架构由编码器(Encoder)和解码器(Decoder)两部分组成: - **编码器**:负责接收输入序列并将其转换成高维向量表示; - **解码器**:根据编码器产生的上下文信息生成目标序列; 两者之间通过多头自注意层(Multi-head Self-Attention Layer)连接,在每一层内部还包含了前馈神经网络(Feed Forward Neural Network, FFN)[^2]。 ```mermaid graph LR; A[Input Sequence] --> B{Encoder Stack}; subgraph Encoder Layers C[MHSA (Multi Head Self Attention)] --- D[Add & Norm]; E[FFN (Feed Forward Networks)] --- F[Add & Norm]; end G{Decoder Stack} <-- H[Memory from Encoders]; I[Output Sequence] <-- J{Decoder Layers} ``` #### 二、工作流程解析 当给定一个源语言句子作为输入时,经过分词后得到一系列token组成的列表。这些tokens会被映射到对应的嵌入(embedding)空间中形成矩阵形式的数据。随后进入多个相同的编码单元堆叠而成的编码栈内进行特征提取操作。每个编码单元主要包含两个子模块——一个多头自关注层用于计算query(Q), key(K), value(V)三者间的相似度得分,并据此调整value权重获得新的context vector; 另一个是全连接前馈网络用来进一步变换维度大小以便更好地表达语义信息。 对于翻译任务而言,则需额外构建一组类似的解码组件以逐步预测下一个可能的目标单词直至结束符为止。值得注意的是,在训练阶段为了加速收敛速度通常会采用teacher forcing技术即利用真实的上一步骤输出而非当前时刻所估计的结果参与后续迭代更新过程。 #### 三、核心特性阐述 ##### 自注意力机制 这是Transformer区别于其他传统RNN/CNN的最大亮点之一。它允许模型在同一时间步长下同时考虑所有位置的信息而不仅仅是相邻几个节点的影响范围。具体实现方式就是让每一个position都能与其他任意一处建立联系并通过softmax函数规范化后的概率分布加权求和最终得出综合考量过全部因素的新状态描述。 ##### 多头设计 考虑到单一head可能会丢失某些重要的局部模式匹配机会因此引入了multi-head策略使得不同heads可以专注于特定类型的关联性挖掘从而提高整体表现力。简单来说就是在同一层次里平行运行若干组独立却又相互补充的小规模self-attention units然后把它们各自的输出拼接起来再送往下一层继续加工处理直到最后一刻才汇总输出最终结果。 ##### 前馈神经网络 除了上述提到的核心部件之外每层还会配备有一个简单的线性变换+ReLU激活构成的标准MLP结构充当非线性的引入手段增强系统的表征能力同时也起到一定的正则化作用防止过拟合现象发生。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值