13、处理不平衡数据集的策略与方法

处理不平衡数据集的策略与方法

1. 合成少数类过采样技术（SMOTE）

在处理数据集时，不平衡问题常常会影响模型的性能。以皮马印第安人糖尿病数据集为例，其中 34% 的样本为糖尿病患者，这部分样本可视为少数类。

1.1 合成示例

从数据集中选取两个少数类样本，其特征如下表所示：
| Glucose | BloodPressure | SkinThickness | BMI |
| ---- | ---- | ---- | ---- |
| 148 | 72 | 35 | 33.6 |
| 183 | 64 | 0 | 23.3 |

通过计算每列值的中点，可生成一个新的合成示例，如下表：
| Glucose | BloodPressure | SkinThickness | BMI |
| ---- | ---- | ---- | ---- |
| 165.5 | 68 | 17.5 | 28.4 |

1.2 图像数据应用

SMOTE 技术主要针对表格数据，但类似逻辑也可应用于图像数据集。例如，在构建区分孟加拉猫和暹罗猫的模型时，若数据集中孟加拉猫图像仅占 10%，可使用 Keras 的 ImageDataGenerator 类进行图像增强，通过旋转、裁剪、调整亮度等操作生成更多孟加拉猫图像的变体。

2. 权衡与替代方案

对于固有不平衡数据集，有多种替代解决方案，包括重新构建问题和处理异常检测情况，同时还需考虑数据集的整体大小、不同问题类型的最佳模型架构以及对少数类预测的解释。

2