樣本不均的問題大家已經很常見了，我們總是能看到某一個類目的數量遠高于其他類目，舉個例子，曝光轉化數遠低于曝光未轉化數。樣本不均嚴重影響了模型的效果，甚至影響到我們對模型好壞的判斷，因為模型對占比比較高的類目準確率非常高，對占比很低的類目預估的偏差特別大，但是由于占比較高的類目對loss/metric影響較大，我們會認為得到了一個較優的模型。比如像是異常檢測問題，我們直接返回沒有異常，也能得到一個很高的準確率。

重采樣

這個是目前使用頻率最高的方式，可以對“多數”樣本降采樣，也可以對“少數”樣本過采樣，如下圖所示：

重采樣的缺點也比較明顯，過采樣對少數樣本“過度捕撈”，降采樣會丟失大量信息。

重采樣的方案也有很多，最簡單的就是隨機過采樣/降采樣，使得各個類別的數量大致相同。還有一些復雜的采樣方式，比如先對樣本聚類，在需要降采樣的樣本上，按類別進行降采樣，這樣能丟失較少的信息。過采樣的話，可以不用簡單的copy，可以加一點點“噪聲”，生成更多的樣本。

Tomek links

Tomek連接指的是在空間上“最近”的樣本，但是是不同類別的樣本。刪除這些pair中，占大多數類別的樣本。通過這種降采樣方式，有利于分類模型的學習，如下圖所示：

SMOTE

這個方法可以給少數樣本做擴充，SMOTE在樣本空間中少數樣本隨機挑選一個樣本，計算k個鄰近的樣本，在這些樣本之間插入一些樣本做擴充，反復這個過程，知道樣本均衡，如下圖所示：

NearMiss

這是個降采樣的方法，通過距離計算，刪除掉一些無用的點。

NearMiss-1：在多數類樣本中選擇與最近的3個少數類樣本的平均距離最小的樣本。

NearMiss-2：在多數類樣本中選擇與最遠的3個少數類樣本的平均距離最小的樣本。

NearMiss-3：對于每個少數類樣本，選擇離它最近的給定數量的多數類樣本。

NearMiss-1考慮的是與最近的3個少數類樣本的平均距離，是局部的；NearMiss-2考慮的是與最遠的3個少數類樣本的平均距離，是全局的。NearMiss-1方法得到的多數類樣本分布也是“不均衡”的，它傾向于在比較集中的少數類附近找到更多的多數類樣本，而在孤立的（或者說是離群的）少數類附近找到更少的多數類樣本，原因是NearMiss-1方法考慮的局部性質和平均距離。NearMiss-3方法則會使得每一個少數類樣本附近都有足夠多的多數類樣本，顯然這會使得模型的精確度高、召回率低。

評估指標

為了避免對模型的誤判，避免使用Accuracy，可以用confusion matrix，precision，recall，f1-score，AUC，ROC等指標。

懲罰項

對少數樣本預測錯誤增大懲罰，是一個比較直接的方式。

使用多種算法

模型融合不止能提升效果，也能解決樣本不均的問題，經驗上，樹模型對樣本不均的解決幫助很大，特別是隨機森林，Random Forest，XGB，LGB等。因為樹模型作用方式類似于if/else，所以迫使模型對少數樣本也非常重視。

正確的使用K-fold

當我們對樣本過采樣時，對過采樣的樣本使用k-fold，那么模型會過擬合我們過采樣的樣本，所以交叉驗證要在過采樣前做。在過采樣過程中，應當增加些隨機性，避免過擬合。

使用多種重采樣的訓練集

這種方法可以使用更多的數據獲得一個泛化性較強的模型。用所有的少數樣本，和多種采樣的多數樣本，構建多個模型得到多個模型做融合，可以取得不錯的效果。

重采樣使用不同rate

這個方法和上面的方法很類似，嘗試使用各種不同的采樣率，訓練不同的模型。

沒有什么解決樣本不均最好的方法，以上內容也沒有枚舉出所有的解決方案，最好的方案就是嘗試使用各種方案。

原文標題：對“樣本不均衡”一頓操作

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq