《机器学习》—— 通过下采样方法实现逻辑回归分类问题

文章目录

一、什么是下采样方法？
二、通过下采样方法实现逻辑回归分类问题
三、下采样的优缺点

一、什么是下采样方法？

机器学习中的下采样（Undersampling）方法是一种处理不平衡数据集的有效手段，特别是在数据集中某些类别的样本数量明显多于其他类别时。下采样的主要目的是通过减少多数类样本的数量来平衡数据分布，从而提高模型的泛化能力和准确性。

二、通过下采样方法实现逻辑回归分类问题

具体步骤：
- 1、读取并查看数据
- 2、数据标准化
- 3、下采样解决样本不均衡问题
- 4、划分数据集
- 5、训练模型并建立最优模型
- 6、传入测试数据集进行测试
1、读取并查看数据
- 这里有一份含有28万+数据的csv文件
- 通过pandas方法读取此文件
```
# 通过pandas方法读取creditcard.csv文件，并用data变量接收
data = pd.read_csv("creditcard.csv")
data.head()  # 查看data的前几行，默认是5行
```
- 如下图所示：
- 这个数据的最后一列“Class”标签用来标注是否正常，0表示正常，1表示异常
- 我们可以通过画出条形图来观察两类标签的样本个数
```
import matplotlib.pyplot as plt
"""绘制条形图，查看正负样本个数"""
labels_count = pd.Series.value_counts(data['Class'])
plt.title("正负例样本数")
plt.xlabel("类别")
plt.ylabel("帧数")
labels_count.plot(kind='bar')
plt.show()
```
- 结果如下：
- 可以看出0和1标签的样本数据个数相差的非常多，0标签有28万+，而1标签只有几百多，这便是不平衡数据集
2、数据标准化
- 我们数据的倒数第二（Amount）列可以看出，这一列的特征数值，比其他列特征数值要大很多，如果不做调整就传入模型训练，将会占有很大的权重，导致最后的结果很大的程度上都只受这一个特征的影响
- 通过观察，可以发现，前面的特征数据都是在-1~1之间，所以我们可以用Z标准化的方法，改变其数值范围
```
from sklearn.preprocessing import StandardScaler
"""数据标准化：Z标准化"""
scaler = StandardScaler()
# a = data[['Amount']]  # 返回dataframe数据，而不是series
# 用StandardScaler中的fit_transform实现Z标准化
data['Amount'] = scaler.fit_transform(data[['Amount']])
```
- 结果如下：

3、下采样解决样本不均衡问题

通过随机抽取0特征标签中的数据并与1特征标签数量相同，并将两个特征拼接为一个新的数据集

# 数据的第一列（Time）没有作用,删除
data = data.drop(['Time'], axis=1)  # 删除无用列"""下采样解决样本不均衡问题"""
positive_eg = data[data['Class'] == 0]  # 获取所有标签(Class)为0的数据
negative_eg = data[data['Class'] == 1]  # 获取所有标签(Class)为1的数据
np.random.seed(seed=3)    # 随机种子，保证每次执行这个代码，随机抽选的结果都是一样
positive_eg = positive_eg.sample(len(negative_eg))   # sample 表示随机从参数里面选择数据，并和1标签的数据数量相同
# 拼接数据
data_c = pd.concat([positive_eg, negative_eg])   # 把两个pandas数据组合为一个

可以再次通过绘制条形图观察数据

labels_count = pd.value_counts(data_c['Class'])
plt.title("正负例样本数")
plt.xlabel("类别")
plt.ylabel("帧数")
labels_count.plot(kind='bar')
plt.show()

结果如下：

4、划分数据集

这里我们划分成两类数据集，一类是经过下采样处理后，形成的小部分数据集，另一类是划分原始数据集

划分下采样后的数据集用于模型训练，划分原数据集最后传入模型预测出结果，观察模型的性能是否有所提高

from sklearn.model_selection import train_test_split
# 对下采样数据划分
x_s = data_c.drop('Class', axis=1)  # 去除标签列作为训练数据
y_s = data_c.Class  # 得到标签列
# 划分出30%的测试集，并抛出随机种子，为了后面每次的运行，随机划分的都是相同的数据
x_s_train, x_s_test, y_s_train, y_s_test = train_test_split(x_s, y_s, test_size=0.3, random_state=0)# 对原数据划分
x = data.drop('Class', axis=1)
y = data.Class
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0)

5、训练模型并建立最优模型

交叉验证选择较优惩罚因子

建立最优模型

# 交叉验证选择较优惩罚因子
scores = []
c_param_range = [0.01, 0.1, 1, 10, 100]  # 参数
for i in c_param_range:  # 第1次循环的时候C=0.01,5个逻辑回归模型lr = LogisticRegression(C=i, penalty='l2', solver='lbfgs', max_iter=1000)score = cross_val_score(lr, x_s_train, y_s_train, cv=8, scoring='recall')  # 交叉验证score_mean = sum(score) / len(score)  # 交叉验证后的值 召回率scores.append(score_mean)  # 存放所有的交叉验证召回率print(score_mean)  # 将不同的C参数分别传入模型， 分别看看哪个模型效果更好best_c = c_param_range[np.argmax(scores)]  # 找到scores中最大的值对应的C参数
print("........最优惩罚因子为：{}........".format(best_c))"""建立最优模型"""
lr = LogisticRegression(C=best_c, penalty='l2', max_iter=1000)
lr.fit(x_s_train, y_s_train)

运行结果为：

6、传入测试数据集进行测试
- predict 方法接受一个数组（或类似数组的结构，如列表的列表、Pandas DataFrame等），其中包含了要预测的目标变量的新数据点。然后，它使用训练好的模型对这些数据点进行预测，并返回一个包含预测结果的数组。
- metrics.classification_report 是 scikit-learn（一个流行的 Python 机器学习库）中的一个函数，用于展示主要分类指标的文本报告。这个函数特别适用于评估分类模型的性能，尤其是在处理多类分类问题时。它提供了每个类别的精确度（precision）、召回率（recall）、F1 分数（F1-score）和支持度（support，即每个类别的真实样本数量）的详细报告。
```
from sklearn import metrics# 传入下采样后的测试数据
test_s_predicted = lr.predict(x_s_test)
print(metrics.classification_report(y_s_test, test_s_predicted))# 传入原数据的测试数据
test_predicted = lr.predict(x_test)
print(metrics.classification_report(y_test, test_predicted))
```
- 结果如下：
- 下面是未使用下采样方法，使用原数据进行模型训练后的结果
- 对比两次不同数据训练出的结果可以看出，通过下采样的方法处理数据后可以大大提高模型的性能

三、下采样的优缺点

优点：
- 提升分类器准确率：通过减少多数类样本的数量，使得数据集中不同类别的样本数量更加均衡，从而有助于提升分类器对少数类样本的识别能力，进而提升整体分类准确率。
- 降低训练时间：由于数据集的大小减少，模型的训练时间也会相应缩短。
- 降低过拟合风险：减少多数类样本的数量可以降低模型对多数类样本的过度拟合，提高模型的泛化能力。
缺点：
- 降低数据集代表性：随机欠采样可能会剔除一些重要的多数类样本，导致数据集的代表性降低。这可能会影响模型的性能，特别是当被剔除的样本包含对分类任务至关重要的信息时。
- 信息损失：由于剔除了部分多数类样本，数据集中的信息量也会相应减少。这可能会导致模型在训练过程中无法充分学习到多数类的特征分布，从而影响模型的性能。