131 1300 0010
行業(yè)動態(tài)
  • 導航欄目
  • 產品新聞
  • 企業(yè)新聞
  • 行業(yè)動態(tài)
  • 機器學習的5種采樣方法介紹
    機器學習的5種采樣方法介紹
  • 機器學習的5種采樣方法介紹
  •   發(fā)布日期: 2020-05-18  瀏覽次數: 1,683

    以下是關于Rahul Agarwal 分享的內容,編譯整理如下。

    數據科學實際上是就是研究算法。

     

    我每天都在努力學習許多算法,所以我想列出一些最常見和最常用的算法。

    本文介紹了在處理數據時可以使用的一些最常見的采樣技術。

    簡單隨機抽樣

    假設您要選擇一個群體的子集,其中該子集的每個成員被選擇的概率都相等。

    下面我們從一個數據集中選擇 100 個采樣點。

    sample_df = df.sample(100)

    分層采樣

    機器學習的5種采樣方法介紹

    假設我們需要估計選舉中每個候選人的平均票數?,F假設該國有 3 個城鎮(zhèn):

    A 鎮(zhèn)有 100 萬工人,

    B 鎮(zhèn)有 200 萬工人,以及

    C 鎮(zhèn)有 300 萬退休人員。

    我們可以選擇在整個人口中隨機抽取一個 60 大小的樣本,但在這些城鎮(zhèn)中,隨機樣本可能不太平衡,因此會產生偏差,導致估計誤差很大。

    相反,如果我們選擇從 A、B 和 C 鎮(zhèn)分別抽取 10、20 和 30 個隨機樣本,那么我們可以在總樣本大小相同的情況下,產生較小的估計誤差。

    使用 python 可以很容易地做到這一點:

    from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.25)

    水塘采樣

    我喜歡這個問題陳述:

    假設您有一個項目流,它長度較大且未知以至于我們只能迭代一次。

    創(chuàng)建一個算法,從這個流中隨機選擇一個項目,這樣每個項目都有相同的可能被選中。

    我們怎么能做到這一點?

    假設我們必須從無限大的流中抽取 5 個對象,且每個元素被選中的概率都相等。

    import randomdef generator(max):

    number = 1

    while number 《 max:

    number += 1

    yield number# Create as stream generator

    stream = generator(10000)# Doing Reservoir Sampling from the stream

    k=5

    reservoir = []

    for i, element in enumerate(stream):

    if i+1《= k:

    reservoir.append(element)

    else:

    probability = k/(i+1)

    if random.random() 《 probability:

    # Select item in stream and remove one of the k items already selected

    reservoir[random.choice(range(0,k))] = elementprint(reservoir)

    ------------------------------------

    [1369, 4108, 9986, 828, 5589]

    從數學上可以證明,在樣本中,流中每個元素被選中的概率相同。這是為什么呢?

    當涉及到數學問題時,從一個小問題開始思考總是有幫助的。

    所以,讓我們考慮一個只有 3 個項目的流,我們必須保留其中 2 個。

    當我們看到第一個項目,我們把它放在清單上,因為我們的水塘有空間。在我們看到第二個項目時,我們把它放在列表中,因為我們的水塘還是有空間。

    現在我們看到第三個項目。這里是事情開始變得有趣的地方。我們有 2/3 的概率將第三個項目放在清單中,

    現在讓我們看看第一個項目被選中的概率:

    移除第一個項目的概率是項目 3 被選中的概率乘以項目 1 被隨機選為水塘中 2 個要素的替代候選的概率。這個概率是:

    2/3*1/2 = 1/3

    因此,選擇項目 1 的概率為:

    1–1/3=2/3

    我們可以對第二個項目使用完全相同的參數,并且可以將其擴展到多個項目。

    因此,每個項目被選中的概率相同:2/3 或者用一般的公式表示為 K/N

    隨機欠采樣和過采樣

    機器學習的5種采樣方法介紹

    我們經常會遇到不平衡的數據集。

    一種廣泛采用的處理高度不平衡數據集的技術稱為重采樣。它包括從多數類(欠采樣)中刪除樣本或向少數類(過采樣)中添加更多示例。

    讓我們先創(chuàng)建一些不平衡數據示例,

    from sklearn.datasets import make_classificaTIonX, y = make_classificaTIon( n_classes=2, class_sep=1.5, weights=[0.9, 0.1], n_informaTIve=3, n_redundant=1, flip_y=0, n_features=20, n_clusters_per_class=1, n_samples=100, random_state=10)X = pd.DataFrame(X)X[ target ] = y

    我們現在可以使用以下方法進行隨機過采樣和欠采樣:

    num_0 = len(X[X[ target ]==0])num_1 = len(X[X[ target ]==1])print(num_0,num_1)# random undersampleundersampled_data = pd.concat([ X[X[ target ]==0].sample(num_1) , X[X[ target ]==1] ])print(len(undersampled_data))# random oversampleoversampled_data = pd.concat([ X[X[ target ]==0] , X[X[ target ]==1].sample(num_0, replace=True) ])print(len(oversampled_data))------------------------------------------------------------OUTPUT:90 1020180

    使用 imbalanced-learn 進行欠采樣和過采樣

    imbalanced-learn(imblearn)是一個用于解決不平衡數據集問題的 python 包,它提供了多種方法來進行欠采樣和過采樣。

    a. 使用 Tomek Links 進行欠采樣:

    imbalanced-learn 提供的一種方法叫做 Tomek Links。Tomek Links 是鄰近的兩個相反類的例子。

    在這個算法中,我們最終從 Tomek Links 中刪除了大多數元素,這為分類器提供了一個更好的決策邊界。

    機器學習的5種采樣方法介紹

    from imblearn.under_sampling import TomekLinks

    tl = TomekLinks(return_indices=True, raTIo= majority )

    X_tl, y_tl, id_tl = tl.fit_sample(X, y)

    b. 使用 SMOTE 進行過采樣:

    在 SMOE(Synthetic Minority Oversampling Technique)中,我們在現有元素附近合并少數類的元素。

    from imblearn.over_sampling import SMOTE

    smote = SMOTE(ratio= minority )

    X_sm, y_sm = smote.fit_sample(X, y)

    imbLearn 包中還有許多其他方法,可以用于欠采樣(Cluster Centroids, NearMiss 等)和過采樣(ADASYN 和 bSMOTE)。

    結論

    算法是數據科學的生命線。

    抽樣是數據科學中的一個重要課題,但我們實際上并沒有討論得足夠多。

    有時,一個好的抽樣策略會大大推進項目的進展。錯誤的抽樣策略可能會給我們帶來錯誤的結果。因此,在選擇抽樣策略時應該小心。


  • ·上一篇:
    ·下一篇:
  • 其他關聯資訊
    深圳市日月辰科技有限公司
    地址:深圳市寶安區(qū)松崗鎮(zhèn)潭頭第二工業(yè)城A區(qū)27棟3樓
    電話:0755-2955 6626
    傳真:0755-2978 1585
    手機:131 1300 0010
    郵箱:hu@szryc.com

    深圳市日月辰科技有限公司 版權所有:Copyright?2010-2023 m.elibeatofitness.com 電話:13113000010 粵ICP備2021111333號