0
雷鋒網(wǎng) AI 科技評(píng)論按，采樣問(wèn)題是數(shù)據(jù)科學(xué)中的常見(jiàn)問(wèn)題，對(duì)此，WalmartLabs 的數(shù)據(jù)科學(xué)家 Rahul Agarwal 分享了數(shù)據(jù)科學(xué)家需要了解的 5 種采樣方法，雷鋒網(wǎng) AI 科技評(píng)論編譯整理如下。
數(shù)據(jù)科學(xué)實(shí)際上是就是研究算法。
我每天都在努力學(xué)習(xí)許多算法，所以我想列出一些最常見(jiàn)和最常用的算法。
本文介紹了在處理數(shù)據(jù)時(shí)可以使用的一些最常見(jiàn)的采樣技術(shù)。
簡(jiǎn)單隨機(jī)抽樣
假設(shè)您要選擇一個(gè)群體的子集，其中該子集的每個(gè)成員被選擇的概率都相等。
下面我們從一個(gè)數(shù)據(jù)集中選擇 100 個(gè)采樣點(diǎn)。
sample_df = df.sample(100)
分層采樣
假設(shè)我們需要估計(jì)選舉中每個(gè)候選人的平均票數(shù)?，F(xiàn)假設(shè)該國(guó)有 3 個(gè)城鎮(zhèn)：
A 鎮(zhèn)有 100 萬(wàn)工人，
B 鎮(zhèn)有 200 萬(wàn)工人，以及
C 鎮(zhèn)有 300 萬(wàn)退休人員。
我們可以選擇在整個(gè)人口中隨機(jī)抽取一個(gè) 60 大小的樣本，但在這些城鎮(zhèn)中，隨機(jī)樣本可能不太平衡，因此會(huì)產(chǎn)生偏差，導(dǎo)致估計(jì)誤差很大。
相反，如果我們選擇從 A、B 和 C 鎮(zhèn)分別抽取 10、20 和 30 個(gè)隨機(jī)樣本，那么我們可以在總樣本大小相同的情況下，產(chǎn)生較小的估計(jì)誤差。
使用 python 可以很容易地做到這一點(diǎn)：
from sklearn.model_selection import train_test_split
X_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(gè)問(wèn)題陳述：
假設(shè)您有一個(gè)項(xiàng)目流，它長(zhǎng)度較大且未知以至于我們只能迭代一次。
創(chuàng)建一個(gè)算法，從這個(gè)流中隨機(jī)選擇一個(gè)項(xiàng)目，這樣每個(gè)項(xiàng)目都有相同的可能被選中。
我們?cè)趺茨茏龅竭@一點(diǎn)？
假設(shè)我們必須從無(wú)限大的流中抽取 5 個(gè)對(duì)象，且每個(gè)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(shù)學(xué)上可以證明，在樣本中，流中每個(gè)元素被選中的概率相同。這是為什么呢？
當(dāng)涉及到數(shù)學(xué)問(wèn)題時(shí)，從一個(gè)小問(wèn)題開(kāi)始思考總是有幫助的。
所以，讓我們考慮一個(gè)只有 3 個(gè)項(xiàng)目的流，我們必須保留其中 2 個(gè)。
當(dāng)我們看到第一個(gè)項(xiàng)目，我們把它放在清單上，因?yàn)槲覀兊乃劣锌臻g。在我們看到第二個(gè)項(xiàng)目時(shí)，我們把它放在列表中，因?yàn)槲覀兊乃吝€是有空間。
現(xiàn)在我們看到第三個(gè)項(xiàng)目。這里是事情開(kāi)始變得有趣的地方。我們有 2/3 的概率將第三個(gè)項(xiàng)目放在清單中。
現(xiàn)在讓我們看看第一個(gè)項(xiàng)目被選中的概率：
移除第一個(gè)項(xiàng)目的概率是項(xiàng)目 3 被選中的概率乘以項(xiàng)目 1 被隨機(jī)選為水塘中 2 個(gè)要素的替代候選的概率。這個(gè)概率是：
2/3*1/2 = 1/3
因此，選擇項(xiàng)目 1 的概率為：
1–1/3=2/3
我們可以對(duì)第二個(gè)項(xiàng)目使用完全相同的參數(shù)，并且可以將其擴(kuò)展到多個(gè)項(xiàng)目。
因此，每個(gè)項(xiàng)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(jī)欠采樣和過(guò)采樣
我們經(jīng)常會(huì)遇到不平衡的數(shù)據(jù)集。
一種廣泛采用的處理高度不平衡數(shù)據(jù)集的技術(shù)稱(chēng)為重采樣。它包括從多數(shù)類(lèi)（欠采樣）中刪除樣本或向少數(shù)類(lèi)（過(guò)采樣）中添加更多示例。
讓我們先創(chuàng)建一些不平衡數(shù)據(jù)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(xiàn)在可以使用以下方法進(jìn)行隨機(jī)過(guò)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 10
20
180
使用 imbalanced-learn 進(jìn)行欠采樣和過(guò)采樣
imbalanced-learn（imblearn）是一個(gè)用于解決不平衡數(shù)據(jù)集問(wèn)題的 python 包，它提供了多種方法來(lái)進(jìn)行欠采樣和過(guò)采樣。
a. 使用 Tomek Links 進(jìn)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(gè)相反類(lèi)的例子。
在這個(gè)算法中，我們最終從 Tomek Links 中刪除了大多數(shù)元素，這為分類(lèi)器提供了一個(gè)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(jìn)行過(guò)采樣：
在 SMOE（Synthetic Minority Oversampling Technique）中，我們?cè)诂F(xiàn)有元素附近合并少數(shù)類(lèi)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(guò)采樣（ADASYN 和 bSMOTE）。
結(jié)論
算法是數(shù)據(jù)科學(xué)的生命線。
抽樣是數(shù)據(jù)科學(xué)中的一個(gè)重要課題，但我們實(shí)際上并沒(méi)有討論得足夠多。
有時(shí)，一個(gè)好的抽樣策略會(huì)大大推進(jìn)項(xiàng)目的進(jìn)展。錯(cuò)誤的抽樣策略可能會(huì)給我們帶來(lái)錯(cuò)誤的結(jié)果。因此，在選擇抽樣策略時(shí)應(yīng)該小心。
如果你想了解更多有關(guān)數(shù)據(jù)科學(xué)的知識(shí)，我想把 Andrew Ng 的這門(mén)優(yōu)秀課程推薦給你，這個(gè)課程是我入門(mén)數(shù)據(jù)科學(xué)的法寶，你一定要去看看。
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
