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。現假設該國有 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。