用Python处理不平衡数据集

1. 数据不平衡是什么

所谓的数据不平衡就是指各个类别在数据集中的数量分布不均衡；在现实任务中不平衡数据十分的常见。如

· 信用卡欺诈数据：99%都是正常的数据， 1%是欺诈数据

· 贷款逾期数据

一般是由于数据产生的原因导致出的不平衡数据，类别少的样本通常是发生的频率低，需要很长的周期进行采集。

在机器学习任务（如分类问题)中，不平衡数据会导致训练的模型预测的结果偏向于样本数量多的类别，这个时候除了要选择合适的评估指标外，想要提升模型的性能，就要对数据和模型做一些预处理。

处理数据不平衡的主要方法：

· 欠采样
· 过采样
· 综合采样
· 模型集成
· 调整类别权重或者样本权重

2. 数据不平衡处理方法

imbalanced-learn库提供了许多不平衡数据处理的办法，本文的例子都以imbalanced-learn库来实现。

https://github.com/scikit-learn-contrib/imbalanced-learn

先来看下数据

2.1 欠采样

欠采样，就是对数量多类别的样本进行抽样，使其数量与数量少的类别的数量相当，以此来达到数量的平衡。

推荐 ：020 持续更新，精品小圈子每日都有新内容，干货浓度极高。