技術文章

當前頁面: 首頁 >技術文章 >機器學習中需要了解的 5 種基礎采樣方法

機器學習中需要了解的 5 種基礎采樣方法

供稿:公號三0智工 2020/5/13 10:43:57

0 人氣:4

  • 關鍵詞: 機器人 基礎采樣
  • 摘要:數據科學家需要了解的5種基礎采樣方法,包括簡單隨機抽樣、分層采樣、水塘采樣、隨機欠采樣和過采樣等。采樣是數據科學中常見問題,工業機器人數據采樣中也會用到。

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

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:


A 鎮有 100 萬工人,

B 鎮有 200 萬工人,以及

C 鎮有 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

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.

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。

審核編輯(王靜)
更多內容請訪問 公號三0智工(http://home.gongkong.com/profile/?uid=S020030315304000001)

手機掃描二維碼分享本頁

工控網APP下載安裝

 

我來評價

評價:
一般
陕西11选5开奖结果 贵州十一选五开奖查询结果 005期3d试机号码 青海快三网上投注 河南省十一选五走势图 天津11元5开奖结果 秒速赛车彩票代理 青海体彩十一选五玩法 时时彩票app下载 北京快三走势图一定牛网一定牛和值 股票配资推荐-创赢盘