Questions tagged «oversampling»

已关闭。这个问题是基于观点的。它当前不接受答案。 想改善这个问题吗？更新问题，以便通过编辑此帖子以事实和引用的形式回答。 2年前关闭。 您总体上对分类过采样，特别是对SMOTE算法有何看法？为什么我们不仅仅应用成本/罚金来调整类数据的不平衡和任何不平衡的错误成本？就我的目的而言，对未来一组实验单位的预测准确性是最终的衡量标准。 作为参考，SMOTE论文：http : //www.jair.org/papers/paper953.html

18 machine-learning  classification  oversampling 

我正在处理严重不平衡的数据。在文献中，使用几种方法通过重新采样（过采样或欠采样）来重新平衡数据。两种好的方法是： SMOTE：合成少数类过采样技术（SMOTE） ADASYN：用于失衡学习的自适应合成采样方法（ADASYN） 我之所以实现ADASYN，是因为它具有自适应性并且易于扩展到多类问题。 我的问题是如何测试由ADASYN产生的过采样数据（或任何其他过采样方法）。在上述两篇论文中还不清楚他们如何进行实验。有两种情况： 1-对整个数据集进行过采样，然后将其拆分为训练和测试集（或交叉验证）。 2-拆分原始数据集后，仅对训练集执行过采样，然后对原始数据测试集进行测试（可以通过交叉验证执行）。 在第一种情况下，结果要比不进行过度采样好得多，但我担心是否存在过度拟合。在第二种情况下，结果比没有过采样的情况略好，但比第一种情况差得多。但是第二种情况的问题在于，如果所有少数族裔样本都进入测试集，那么过采样将不会带来任何好处。 我不确定是否还有其他设置可以测试此类数据。

18 classification  dataset  resampling  unbalanced-classes  oversampling 

randomForest实现不允许采样超过观察次数，即使使用替换采样也是如此。为什么是这样？ 工作正常： rf <- randomForest(Species ~ ., iris, sampsize=c(1, 1, 1), replace=TRUE) rf <- randomForest(Species ~ ., iris, sampsize=3, replace=TRUE) 我想做的事： rf <- randomForest(Species ~ ., iris, sampsize=c(51, 1, 1), replace=TRUE) Error in randomForest.default(m, y, ...) : sampsize can not be larger than class frequency 没有分层样本的类似错误： rf <- randomForest(Species ~ …

11 r  sampling  random-forest  stratification  oversampling 

我正在尝试使用SMOTE纠正我的多类分类问题中的不平衡。尽管根据SMOTE帮助文档，SMOTE在虹膜数据集上可以很好地工作，但是在类似的数据集上却不能工作。这是我的数据的样子。请注意，它具有三个类别，值分别为1、2、3。 > data looking risk every status 1 0 1 0 1 2 0 0 0 1 3 0 0 0 2 4 0 0 0 1 5 0 0 0 1 6 3 0 0 1 7 0 0 0 1 8 0 0 0 1 9 0 1 …

10 r  classification  unbalanced-classes  oversampling 

我想执行过采样和欠采样的组合，以使我的数据集与大约4000个分为两组的客户保持平衡，其中一组的比例约为15％。 我研究了SMOTE（http://www.inside-r.org/packages/cran/DMwR/docs/SMOTE）和ROSE（http://cran.r-project.org/web/packages/ROSE/ ROSE.pdf），但是这两种方法都可以使用现有的观测数据（例如kNN）创建新的合成样本。 但是，由于与客户相关的许多属性都是分类的，因此我认为这不是正确的方法。例如，我的很多变量（例如Region_A和Region_B）都是互斥的，但是使用kNN可以将新的观测值放置在Region_A和Region_B中。您是否同意这是一个问题？ 在那种情况下-如何通过简单地复制现有观测值来在R中执行过采样？还是这是错误的方法？

9 unbalanced-classes  resampling  oversampling