RDKit | 化合物活性数据的不平衡学习

不平衡学习（Imbalanced learning）

不平衡数据的定义

---

顾名思义即我们的数据集样本类别极不均衡，以二分类问题为例，数据集中的多数类 为Smax，少数类为Smin，通常情况下把多数类样本的比例为100:1、1000:1，甚至是10000:1这种情况下为不平衡数据。

为什么不平衡学习

---

因为传统的学习方法以降低总体分类精度为目标，将所有样本一视同仁，同等对待，造成了分类器在多数类的分类精度较高而在少数类的分类精 度很低。例如正负样本50:1的例子，算法就算全部预测为另一样本，准确率也会达到98%(50/51)，因此传统的学习算法在不平衡数据集中具有较大的局限性。

不平衡学习的方法

---

解决方法主要分为两个方面。

• 第一种方案主要从数据的角度出发，主要方法为抽样，既然我们的样本是不平衡的，那么可以通过某种策略进行抽样，从而让我们的数据相对均衡一些；
• 第二种方案从算法的角度出发， 考虑不同误分类情况代价的差异性对算法进行优化，使得我们的算法在不平衡数据下也能有较好的效果。<