源代码用包实现somte算法解决数据不平衡问题-凡人悟语.pdfVIP

#源代码#用R包实现SOMTE算法解决数据不平衡的问题

凡人悟语

在数据分析时，往往存在数据的不平衡性。比如我们有600多例

良性和1800例，很明显阳性数据和数据不等，这样

必然会使得分析结果产生偏倚。而SMOTE就是一种可以纠正这种不

平衡数据偏倚的算法。

处理有不平衡数据的最简单的方法是随机，然而随机往

往会导致过度拟合，从而影响模型效果。现在的做法一般有两种：一

是去除训练数据集多数分类中的样本数，即欠抽样；二是形成新的样

本从而平衡数据，即过抽样。而欠抽样往往会导致样本中一些隐含的

信息丢失，所以过抽样的算法应用地更为广泛。

SMOTE（Syntheticminorityeover-samplingtechnique,SMOTE）是

Chawla在2002年过抽样的算法，其思想是在一些位置相

近的少数类样本中新样本来达到平衡样本的目的，特点是算法是

增加新的不存在的样例，因此一定程度上避免了分类器过度拟合。

这里，主要介绍如何用R包实现SMOTE算法解决数据不平衡的问题：

1.安装载入DMwR。

rm(list=ls())

install.packages(“DMwR”,dependencies=T)

library(DMwR)

2.读入数据。

data=read.csv(“data.csv”,header=T)

3.SMOTE处理。

在SMOTE算法中，会对多数样本进行欠抽样，少数样本进行过抽

样。

newdata=SMOTE(formula,data,perc.over=,perc.under=)

formula:设定数据集中的自变量和分组变量

data:指定处理的数据集

perc.over,perc.under选项分别定义过抽样和欠抽样的次数。

4.整理数据,使用table()查看阳性数据和数据的比例。

table(“data$class”)

有的读者可尝试以下代码，可以看到样本数目少的分组经过

SMOTE算法的处理，实现了样例的增加。

关于SMOTE算法，可参考：

注：本文为。