【机器学习】数据均衡学习笔记

序言

• 数据集制作过程中需要关注样本均衡问题，学习笔记，简单记录

1. 样本不均衡

• 分类任务中不同类别样本数差别很大的情况，样本比例大于比如4:1可以认为样本不均衡，样本不均衡现象比较常见
• 那么到底差异多少才算失衡呢，按照google developer的说法，我们一般可以把失衡分为三个程度：
  • 少数类 : 多数类 = 20%~40%, 轻度不均衡
  • 少数类 : 多数类 = 1%~20%, 中度不均衡
  • 少数类 : 多数类 < 1%, 极度不均衡

2. 样本不均衡的影响以及样本均衡的意义

• 样本不均衡的影响

  • 假如”好、坏”两类样本占比是1000:1，只要预测为”好”，就能得到很高的准确率，那么模型学到的不是如何分别好坏，而是”好远比坏多”这样的先验信息，这样就背离了用模型去分别好坏的初衷；
  • 导致模型不能学习更本质的特征，影响模型的鲁棒性；

• 样本均衡的意义

  • 通过解决样本不均衡，可以减少模型学习样本比例的先验信息，以获得能学习到辨别好坏这种本质特征的模型

3. 什么时候需要进行样本均衡/数据均衡

• （1） 简单的线性可分任务，样本是否均衡可能影响不大
• （2） 判断样本与真实样本分布是否一致且稳定，如果不是，数据如果带有先验信息可能就有副作用
• （3） 某一类样本非常稀少的情况，模型很可能学习不好

4. 数据不均衡的解决办法

• 数据均衡本质上是：通过某种方法使得不同类别的样本对于模型学习中的loss（或梯度）贡献是比较均衡的。以消除模型对不同类别的偏向性，学习到更本质的特征

• 数据均衡的方法简单记录：

• (1) 样本层面

  • 过采样和欠采样
    • 过采样会导致样本重复，可能导致过拟合：最直接的方法是简单的复制少数类样本形成多条记录，这种方式可能导致样本特征少而可能出现过拟合的问题；经过改进的过抽样方法通过在少数类中加入随机噪声、干扰数据或者通过一定规则产生新的合成样本
    • 欠采样可能导致类别间有重要差别的重要实例丢失，在过滤少量样本不影响模型训练的情况下，随机的删除一些多数类样本
  • 数据增强：
    • 使用常见的数据增强方法增加样本数据，如翻转、旋转、改变对比度、随机裁剪等

• (2) loss层面: 主流的是代价敏感学习法cost sensitive，为不同的分类错误给与不同惩罚力度/权重

  • scikit的’class weight’方法
    • 为不同样本提供不同权重，少数类有更高权重，从而平衡各类别的学习，避免决策边界偏重多数类的现象
  • OHEM和focal loss
    • OHEM: Online Hard Example Mining, 算法的核心是选择一些困难样本（多样性和高损失的样本）作为训练的样本，针对性地改善模型学习效果；对于数据的类别不平衡问题，OHEM的针对性更强
    • Focal Loss: 在交叉熵损失函数CE的基础上增加了类别的不同权重以及困难样本的权重，使训练时更专注于难分类的样本，以改善模型的学习效果

• (3) 模型层面：模型层面主要是选择一些对样本不均衡比较不敏感的模型，比如 逻辑回归在利用反向传播来优化参数时，数量少的那一类在反向传播求梯度时影响比较小，梯度容易向数量多的样本方向下降，所以对样本分布不均衡比较敏感。决策树基于特征的划分去创建分类树，可以强制的将不同类别样本分开，在样本不均衡上比较不敏感一些

  • 采样 + 集成学习的方法，训练若干分类器进行集成学习；采样过程是必须的，否则同样会有利于多数类
  • 异常检测：在样本类别极端不均衡的情况下，比如少数类只有几十个样本，分类问题考虑成异常检测问题可能会更好

• (4) 决策及评估指标层面：采用不均衡的数据训练模型时，采用更好的决策和客观的评估，比如对比分类问题采用recall precision F1分数 混淆矩阵，样本不均衡时会明显改变这些指标的表现

  • 分类阈值移动：对于不均衡下模型的预测，调整模型对于不同类别偏好的的情况，如模型偏好预测负样本，偏向0，则我们分类阈值也往下调整，达到决策时类别平衡的目的
  • 低于类别不均衡的模型评估，可以采用AUC、AUPRC评估模型表现，对正负样本的比例情况不敏感

【参考文章】
样本不均衡的解决办法
样本不均衡介绍及解决办法

created by shuaixio, 2023.10.24