非平衡資料集的機器學習常用處理方法

定義：不平衡資料集：在分類等問題中，正負樣本，或者各個類別的樣本數目不一致。

例子：在人臉檢測中，比如訓練庫有10萬張人臉影象，其中9萬沒有包含人臉，1萬包含人臉，這個資料集就是典型的不平衡資料集。 
直觀的影響就是，用這些不平衡的資料訓練出來的模型，其預測結果偏向於訓練資料中資料比較多的那一類，在人臉檢測的例子中，就是檢測器的檢測結果大部分都偏向於沒有檢測到人臉影象。 
另外一個不平衡資料集，就是信用卡欺詐交易，如果平均的抽取資料，則大部分的資料都是非欺詐交易，只有非常少的部分資料是欺詐交易

影響：不平衡的資料集上做訓練和測試，其得到的準確率是虛高的，比如在不平衡資料中，正負樣本的比例為9：1時，當它的精度為90%時，我們很有理由懷疑它將所有的類別都判斷為資料多的那一類。

解決方法：8種

1.收集更多的資料：好處：更夠揭露資料類別的本質差別，增加樣本少的數目以便後面的資料重取樣。

2.嘗試改變效能評價標準： 
當資料不平衡時，準確度已經失去了它原有的意義， 
可以參考的度量標準有：1> 混淆矩陣CM 2>精度 3>召回率 4>F1 分數（權衡精度和召回率）；5.Kappa 6，ROC曲線

3.重取樣資料： 
1，拷貝一部分樣本偏少的資料多分，已達到平衡（過取樣）； 
2，刪除一部分樣本偏多的資料，以使得達到平衡（欠取樣）； 
在實際中，過取樣和欠取樣都會使用的。 
在測試中，如果樣本總數比較多，可以用欠取樣的資料進行測試，如果樣本總數比較少，可以用過取樣的資料進行測試；另外應該測試隨機取樣的資料和非隨機取樣的資料，同時，測試不同比例正負樣本的資料。

4.生成合成資料： 
最簡單的是，隨機取樣樣本數目比較少的屬性， 
另外一個比較出名的方法為：SMOTE：它是一種過取樣的方法，它從樣本比較少的類別中建立新的樣本例項，一般，它從相近的幾個樣本中，隨機的擾動一個特徵，

5.使用不同的演算法： 
不要試圖用一個方法解所有的問題，嘗試一些其他不同的方法，比如決策樹一般在不平衡資料集上表現的比較的好。

6.嘗試懲罰模型: 
意思就是新增新的懲罰項到cost函式中，以使得小樣本的類別被判斷錯誤的cost更大，迫使模型重視小樣本的資料。 
比如：帶懲罰項的SVM

7.使用不同的視角： 
不平衡的資料集，有專門的鄰域和演算法做這個，可以參考他們的做法和術語。 
比如：異常檢測。

8.嘗試新的改進： 

比如：1.把樣本比較多的類別，分解為一些更多的小類別，比如：原始我們想區分數字0和其它數字這二分類問題，我們可以把其它數字在分為9類，變成0–9的分類問題；

原文：http://blog.csdn.net/chenriwei2/article/details/49227205