不平衡数据处理之SMOTE、Borderline SMOTE和ADASYN详解及Python使用

  不平衡数据在金融风控、反欺诈、广告推荐和医疗诊断中普遍存在。通常而言，不平衡数据正负样本的比例差异极大，如在Kaggle竞赛中的桑坦德银行交易预测和IEEE-CIS欺诈检测数据。对模型而言，不均衡数据构建的模型会更愿意偏向于多类别样本的标签，实际应用价值较低，如下图所示，为在不均衡数据下模型预测的概率分布。

  不平衡数据的处理方法，常见方法有欠采样(under-sampling)和过采样(over-sampling)、在算法中增加不同类别的误分代价等方法。其中，过采样中的SMTOE、Borderline SMOTE和ADASYN是实现简单且常见的处理方法。

1 SMOTE

  论文地址：http://xueshu.baidu.com/usercenter/paper/show?paperid=28300870422e64fd0ac338860cd0010a&site=xueshu_se
  SMOTE（Synthetic Minority Oversampling Technique）合成少数类过采样技术，是在随机采样的基础上改进的一种过采样算法。实现过程如下图所示：

  首先，从少数类样本中选取一个样本x_i。其次，按采样倍率N，从x_i的K近邻中随机选择N个样本x_zi。最后，依次在x_zi和x_i之间随机合成新样本，合成公式如下：

$$x_n=x_i+\beta \times \left(x_{zi}-x_i\right)$$

  SMOTE实现简单，但其弊端也很明显，由于SMOTE对所有少数类样本一视同仁，并未考虑近邻样本的类别信息，往往出现样本混叠现象，导致分类效果不佳。

SMOTE Python使用
  Python库中Imblearn是专门用于处理不平衡数据，imblearn库包含了SMOTE、SMOTEENN、ADASYN和KMeansSMOTE等算法。以下是SMOTE在Imblearn中使用的案例。

from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import SMOTE
X, y = make_classification(n_classes=2, class_sep=2,
                           weights=[0.1, 0.9], n_informative=2, n_redundant=0, flip_y=0,
                           n_features=2, n_clusters_per_class=1, n_samples=100,random_state=10)
print('Original dataset shape %s' % Counter(y))

sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X, y)
print('Resampled dataset shape %s' % Counter(y_res))

SMOTE采样前后对比

2 Borderline SMOTE

  论文地址：https://sci2s.ugr.es/keel/keel-dataset/pdfs/2005-Han-LNCS.pdf
  Borderline SMOTE是在SMOTE基础上改进的过采样算法，该算法仅使用边界上的少数类样本来合成新样本，从而改善样本的类别分布。
  Borderline SMOTE采样过程是将少数类样本分为3类，分别为Safe、Danger和Noise，具体说明如下。最后，仅对表为Danger的少数类样本过采样。
  Safe，样本周围一半以上均为少数类样本，如图中点A
  Danger：样本周围一半以上均为多数类样本，视为在边界上的样本，如图中点B
  Noise：样本周围均为多数类样本，视为噪音，如图中点C

  Borderline-SMOTE又可分为Borderline-SMOTE1和Borderline-SMOTE2，Borderline-SMOTE1在对Danger点生成新样本时，在K近邻随机选择少数类样本（与SMOTE相同），Borderline-SMOTE2则是在k近邻中的任意一个样本(不关注样本类别)

Borderline-SMOTE Python使用

from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import BorderlineSMOTE
X, y = make_classification(n_classes=2, class_sep=2,
                           weights=[0.1, 0.9], n_informative=2, n_redundant=0, flip_y=0,
                           n_features=2, n_clusters_per_class=1, n_samples=100, random_state=9)
print('Original dataset shape %s' % Counter(y))
sm = BorderlineSMOTE(random_state=42,kind="borderline-1")
X_res, y_res = sm.fit_resample(X, y)
print('Resampled dataset shape %s' % Counter(y_res))

Borderline SMOTE 采样前后对比

3 ADASYN

  论文地址：https://sci2s.ugr.es/keel/pdf/algorithm/congreso/2008-He-ieee.pdf
  ADASYN （adaptive synthetic sampling）自适应合成抽样，与Borderline SMOTE相似，对不同的少数类样本赋予不同的权重，从而生成不同数量的样本。具体流程如下：

  步骤1：计算需要合成的样本数量，公式如下：

$$G=\left(m_l-m_s\right)\times \beta$$

  其中，m_l为多数类样本数量，m_s为少数类样本数量，β∈[0,1]随机数，若β等于1，采样后正负比例为1:1。
  步骤2：计算K近邻中多数类占比，公式如下：

$$r_i={\Delta }_i/K$$

  其中，∆_i为K近邻中多数类样本数，i = 1,2,3,……,m_s
  步骤3：对r_i标准化，公式如下：

$${\hat{r}}_i=r_i/\sum _{i=1}^{m_s}{r}_i$$

  步骤4：根据样本权重，计算每个少数类样本需生成新样本的数目，公式如下：

$$g={\hat{r}}_i\times G$$

  步骤5：根据g计算每个少数样本需生成的数目，根据SMOTE算法生成样本，公式如下：

$$s_i=x_i+\left(x_{zi}-x_i\right)\times \lambda$$

  其中，s_i为合成样本，x_i是少数类样本中第i个样本，x_zi是x_i的K近邻中随机选取一个少数类样本 λ∈[0,1]的随机数。

ADASYN Python使用

from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import ADASYN
X, y = make_classification(n_classes=2, class_sep=2,
                           weights=[0.1, 0.9], n_informative=3, n_redundant=1, flip_y=0,
                           n_features=20, n_clusters_per_class=1, n_samples=1000,
                           random_state=10)
print('Original dataset shape %s' % Counter(y))
ada = ADASYN(random_state=42)
X_res, y_res = ada.fit_resample(X, y)
print('Resampled dataset shape %s' % Counter(y_res))

ADASYN 采样前后对比