问题标签 [oversampling]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - 在python中平衡的多类分类(过采样)
我有以下问题,有一个分类问题。在 50,000 行的轨道上,在 Y 60 个标签上。但是数据是不平衡的(在一个类中,35000 个值,在其他 59 个类中,15000 个值,其中大约 30 个值)。如果例如,即 X (column_1, column_2, column_3) 和 Y:
并且需要添加“嘈杂”的数据,这样就不会有不平衡,有条件地,所有值都变得相同:
这只是一个玩具例子,但我有很多含义。
r - 如何在 R 中使用 smotefamily 处理分类变量?
我对 R 中的 smotefamily 包有一些问题。
当我使用 SMOTE 系列(SMOTE、Borderline SMOTE 等)处理分类变量时,无法生成合成示例,因为它们使用少数类样本与其最近邻居之间的距离。但是,当我在 DMwR 包中使用 SMOTE 时,可以使用分类变量。有什么区别以及如何将分类变量与 SMOTE 系列一起使用?我不希望变量的值(变量是“监测站号”和“月”,每个。)是数字(如 10.58811~~),而是分类或至少是整数。
machine-learning - 使用分类器进行异常检测的 SMOTE 过采样
我有传感器数据,我想在训练集上使用 LOF 进行实时异常检测以检测异常,然后将标记的数据应用于分类器以对新数据点进行分类。我考虑过使用 SMOTE,因为我希望训练数据中有更多的 anamolies 点来克服不平衡的分类问题,但问题是 SMOTE 创建了许多在正常范围内的点。如何在不创建正常数据范围内的样本的情况下进行过采样?
r - 无法平衡大型数据集
我在不平衡的数据集上尝试了各种技术,例如过采样、欠采样、ROSE 和两者(过采样和欠采样)来平衡数据集。当我在一个小数据集上应用所有这些技术时,这些技术就完美地工作了
但是当我将所有这些技术应用于大型数据集时,我得到了错误
python - 多类分类:连续多列的 SMOTE 过采样
我有一个不平衡的数据集包含在一个名为city_country的数据框中,它由 5 列组成:
- 推文的内容 =预处理
- 事件类型(例如,与地震相关的推文 = 'earthquake'、typhoon = 'typhoon' 等) = event_type
- 发送推文的纬度 = lat
- 发送推文的经度 =长
- 事件标签(例如与地震相关的推文 = 1、台风 = 2 等)= event_id
在名为city_country的数据框中,类 ( event_id ) 是不平衡的。在测试不同文本分类器的预测能力之前,为了从推文(预处理)的内容中预测event_id,我想对少数类进行过采样。
重要的是,当我复制属于少数类的条目时,我复制所有 5 列。
到目前为止(错误地)我所做的只是对推文内容(preprocessed和event_id进行过采样。在下面的代码中,我将推文转换为向量(我不想这样做,但据我所知,我必须这样做)和然后过度代表少数类。这只会过度采样向量化的推文(x_words)和 event_id(y)。
据我所知,在 imblearn.over_sampling 中使用SMOTE需要您提供真实值(不是字符串)并且只有 2 个值 - 一个“x”和一个“y”。在这种情况下,“x”是我的向量化推文训练集,“y”是我的事件标签。
有没有办法让我简单地将我的数据框拆分为训练集和测试集,然后对少数类的所有 5 列进行过采样,以便输出是包含所有 5 列的更大数据框?然后我可以使用它来预测 event_id 并希望执行相当于 vlookup 的操作,这样我就可以使用其各自的lat和long值加入推文。
machine-learning - 训练集和测试集的类比不平衡会导致验证准确度差吗?
我正在参加一个黑客马拉松,我们应该在给定性别、城市、培训时间、经验、当前公司等特征的情况下预测用户是否对工作感兴趣。
在训练集中,大约有 90% 的人对工作不感兴趣,而只有 10% 的人对工作感兴趣。但是在他们发布的公共测试集中,这两个分类中的每一个都有 50%,我的验证准确率没有超过 55%,而训练准确率为 99%。
测试和训练数据都有缺失值,我使用 RBM 进行估算。
我的问题是:
验证准确性很糟糕,因为类的比例不平衡,还是因为错误地估算了缺失值?
r - R中的过采样示例错误
我在下面运行 R 中过采样的代码
这对我来说是错误的。任何人都可以请帮忙。
python - 过采样 FITS 图像后从 ra、dec 获取像素坐标
我正在寻找一种方法来定位我的 FITS 图像上的像素坐标,这些坐标对应于过采样后对象的 ra 和 dec 位置(以度为单位)。如果我没有过采样,这会很简单,但我需要。给定一个未改变的 FITS 图像,我可以这样做:
但是,当我对其进行过采样然后尝试查找像素坐标时,它显然不准确,因为 (ra, dec) 对于过采样的图像不再准确。由于我对 5x5 进行过采样,因此我尝试简单地将x, y
上面的值乘以 5。但是当我在 ds9 中放大这一点时,它会显示对象偏离中心,所以我认为这不起作用。下面是我对代码的过采样部分,因为它可能有助于看到这一点。这里,data
只是我的原始 FITS 图像中包含的数据的 2D numpy 数组。
如果有人对如何在过采样后恢复准确的像素坐标有任何想法,那就太好了。谢谢!
python - 过采样会导致模型过拟合吗?
目标属性分布目前是这样的:
我的问题是:
过采样方法如:manully、smote、adasyn将使用可用数据来创建新数据点?
如果我们用这样的数据来训练一个分类模型,会不会是过拟合?