15、处理不平衡数据集的欠采样方法详解

处理不平衡数据集的欠采样方法详解

在处理不平衡数据集时，从多数类中选择示例进行删除是一种常见的策略。本文将详细介绍几种选择删除示例的方法，以及它们的组合应用。

1. 选择删除示例的方法

1.1 Tomek Links 欠采样方法

Tomek Links 是对 Condensed Nearest Neighbor Rule（CNN）的改进。CNN 随机选择样本，可能会保留不必要的样本以及分布内部而非边界的样本。而 Tomek Links 可以找到跨类别的最近邻对，这些对定义了类边界。

如果两个实例 a 和 b 满足以下条件，则它们构成一个 Tomek Link：
1. 实例 a 的最近邻是 b；
2. 实例 b 的最近邻是 a；
3. 实例 a 和 b 属于不同的类。

这些跨类对现在通常被称为 Tomek Links，它们在定义类边界方面很有价值。通过固定少数类的示例，可以找到多数类中最接近少数类的示例并将其删除，这些就是模糊示例。

可以使用 imblearn 库中的 TomekLinks 类来实现 Tomek Links 欠采样方法：

# define the undersampling method
undersample = TomekLinks()

以下是一个完整的示例，展示了如何使用 Tomek Links 对不平衡数据集进行欠采样：