问题标签 [smote]

我正在使用信用卡数据使用 SMOTE 进行过采样。我正在使用 geeksforgeeks.org 中编写的代码（链接）

运行以下代码后，它会声明如下内容：

输出：

因为我在这个领域是全新的。我不明白如何以 CSV 格式显示这些数据。如果有人在这个问题上帮助我，我将非常高兴。

或者，如果有任何参考资料，我可以使用 SMOTE 从数据集中制作合成数据并将更新的数据集保存在 CSV 文件中，请提及。

如下图所示：

提前致谢。

我的数据不平衡，如下所示，每当我尝试使用 ADASYN 时，它都会显示错误，我们是否需要为此提供任何参数条目？有时它会运行很长时间，但即使在代码运行 40 分钟后也没有响应。

请建议我们如何继续使用 python 代码来解决问题。从其他人的推荐中，我听说过

1. 可以一次在两个级别之间进行采样，然后可以在同一级别上进行迭代
2. 下采样 75% 的那个可能有帮助吗？
3. 或使用 skmultilearn 的任何解决方案？

代码：

o/p=== > 这运行了很长时间，之后没有结果，请建议

到目前为止，我的代码如下运行 SMOTENC。

这里的问题是我正在阅读有关 SMOTE 的内容，并且由于它使用具有欧几里德距离的 KNN 算法，因此数据应该在调用之前进行缩放SMOTENC()。

如果数据集的前 10 个特征为整数，其余为分类特征，在这种情况下我应该如何进行缩放过程？

我有一个不平衡的推文数据集，标记为 -1、0、+1。我想通过上采样来平衡数字。我收到以下错误：

could not convert string to float: 'از این به بعد همینهسلبریتی هایی که ایدیولوژی های #جمهوری_اسلامی رو تبلیغ می کنن خارج از مرز ایران هم حق ندارن آسایش داشته باشن و مجبور بود#باش همچنان ادا وفاداری به اون ایدیولوژی رو در بیارن چون هر جا یه دوربین منتظره که #ریاکاری شون رو ثبت کنه '

为什么它应该尝试将字符串变成浮点数？

PS。在重塑之前，tweet_train 和 y_train 是 shape=(n,) 的 numpy 数组

我想同时应用交叉验证和过采样。我从这段代码中得到以下错误：

所有中间步骤应该是转换器并实现拟合和转换，或者是字符串 'passthrough' 'SMOTE(k_neighbors=5, kind='deprecated', m_neighbors='deprecated', n_jobs=1, out_step='deprecated', random_state=42 , ratio=None, sampling_strategy='auto', svm_estimator='deprecated')' (type ) 没有

PS。我使用imblearn.over_sampling.RandomOverSampler而不是SMOTE得到了同样的错误。

我正在研究 PySpark 二进制分类管道，我想在其中使用过采样阶段执行交叉验证（我的数据集不平衡）。问题是过采样阶段也在测试数据集上执行。

管道：

smote是转换测试数据集时我想跳过的阶段。

我查看了 spark 文档和源代码，没有办法跳过 PipelineModel 中的一个阶段。我的解决方案是覆盖_transform原始类的方法以跳过过采样阶段。在我的源代码中安装管道时，这可以正常工作。我用这个：

CustomPipelineModel是一个继承pyspark.ml.PipelineModel并覆盖该_transform方法的类。

但是由于 CrossValidator 使用 PipelineModel 类的原始实现，我不能使用我的自定义方法。

使用 Cross Validator 时跳过过采样阶段的最佳方法是什么？

我也开始研究考虑覆盖它的_fit方法的源代码pyspark.ml.tuning.CrossValidator......第二种解决方案是对训练数据集执行过采样，但这会在交叉验证过程中将偏差引入模型。

我正在研究目标变量不平衡的逻辑回归案例。为了解决这个问题，我使用了 SMOTE（合成少数过采样技术），但每次运行回归模型时，我的混淆矩阵中都会得到不同的数字。我在调用 SMOTE 和 Logistic 回归时设置了 random_state 参数，但仍然无济于事。甚至我的功能在每次迭代中都是相同的。我能够一次获得最佳召回值 0.81 和 AUC 值 0.916，但它们不再出现。在某些情况下，False Positives 和 False Negatives 的值会急剧上升，这表明分类器非常糟糕。

请指导我在这里做错了什么，下面是代码片段。

我有一个不平衡数据集，我使用 smote 对少数类进行过采样，对多数类进行欠采样。现在，我想使用模型的 predict_proba 检查测试 AUC。

我有两个问题： 1. 如果我比较 AUC，我是否必须更正概率？2.我该如何纠正它（欠采样和过采样的组合！）

我正在使用 R 处理非常不平衡的奥林匹克数据集，并且正在寻找一种适当平衡数据的方法。

在研究了一些之后，我发现 ROSE 工作得很好，但是只有 2 个类。我的输出有 4 个等级（Gold、Silver、Bronze、NoMedal），所以 ROSE 不起作用。有人告诉我尝试使用 SMOTE 函数，但是，我不确定在处理 4 个类时如何使用它。目前，我的课程包含 13k 金、13K 银、13K 铜和 232K NoMedal。

关于如何使用 SMOTE 来平衡这 4 个类的任何想法？

我正在运行 SMOTE 功能，如下所示：

library(DMwR) smoted_data <- SMOTE(state~., deliq, perc.over=200, perc.under = 1600)

但我得到以下错误：

Error in factor(newCases[, a], levels = 1:nlevels(data[, a]), labels = levels(data[, : invalid 'labels'; length 0 should be 1 or 2 In addition: Warning message: In smote.exs(data[minExs, ], ncol(data), perc.over, k) : NAs introduced by coercion

我检查了所有因子变量，它们都没有在任何级别包含 0。

数据中也没有可用的 NA，我检查了 stackoverflow 中的所有相关帖子，但没有得到与我的案例相关的任何内容。

这可能是什么原因？