SVM 解决类别不平衡问题(scikit_learn)

在支持向量机中，$C$ 是负责惩罚错误分类数据的超参数。

解决数据类别不平衡的一个方法就是使用基于类别增加权重的$C$值

$$C_j = C * w_j$$

其中，$C$是误分类的惩罚项，$w_j$是与类别 $j$ 的出现频率成反比的权重参数，$C_j$ 就是类别 $j$ 对应的 加权$C$值

主要思路就是增大误分类 少数类别 带来的影响，保证 少数类别 的分类正确性，避免被多数类别掩盖

在scikit-learn 中，使用 svc 方法时，可以通过设置参数

class_weight=’balanced’

实现上述加权功能

参数‘balanced’ 会自动按照以下公式计算权值：

$$w_j = \frac{n}{kn_j}$$

其中，$w_j$ 为类别 $j$ 对应权值，$n$ 为数据总数，$k$为类别数量，即数据有$k$ 个种类，$n_j$是类别 j j 的数据个数

0.导入库

# Load libraries
from sklearn.svm import SVC
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
import numpy as np

1、加载Iris Flower 数据集

#只加载两个类别的数据，两类，各50个
iris = datasets.load_iris()
X = iris.data[:100,:]
y = iris.target[:100]

2.不均衡化数据集

# 删掉前四十个数据，数据总数变为60个
X = X[40:,:]
y = y[40:]

# 类别为0的类别不变，类别不为0的全部变为1
y = np.where((y == 0), 0, 1)

y

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

可以看到，有60个数据，10个为类别0,50个为类别1

3.特征标准化

# Standarize features
scaler = StandardScaler()
X_std = scaler.fit_transform(X)

4.使用加权类别训练SVM分类器

# Create support vector classifier
svc = SVC(kernel='linear', class_weight='balanced', C=1.0, random_state=0)

# Train classifier
model = svc.fit(X_std, y)

翻译自Chris Albon 博客
原文地址