本篇内容是 基于Python的scikit-learn库中sklearn.linear_model 类中的 LogisticRegression（）逻辑回归方法实现的，其内容中只是在处理训练集的方法上与以下链接内容里的不同，在其他的方面都是一样的，可以放在一起看。

• 《机器学习》—— 通过下采样方法实现逻辑回归分类问题：
  https://blog.csdn.net/weixin_73504499/article/details/141367509

一、什么是过采样方法？

• 过采样（Over-sampling）是数据预处理中的一种技术，主要用于处理不平衡数据集（imbalanced datasets）问题。在不平衡数据集中，某些类别的样本数量远多于其他类别，这可能导致机器学习模型在训练时偏向于多数类，从而忽略了少数类，进而在预测时表现出对少数类的低准确率。
• 过采样的基本思想是通过增加少数类（即样本数量较少的类别）的样本来改善数据集的平衡性。
• 本篇我们使用过采样方法中的合成少数类过采样技术（SMOTE, Synthetic Minority Over-sampling Technique）对数据集进行过采样操作
  • 合成少数类过采样技术（SMOTE, Synthetic Minority Over-sampling Technique）是一种复杂的过采样方法，它通过生成新的少数类样本来增加其数量。SMOTE算法首先选择少数类中的一个样本，然后在其最近的k个邻居（这些邻居也属于少数类）中随机选择一个样本，并在两个样本之间的连线上随机生成一个新的样本。这个过程可以重复多次，以生成足够数量的新样本。

二、使用过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、切分原始数据
  • 4、过采样解决样本不均衡问题
  • 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']])
    # 删除无用列（第一列没有作用）
    data = data.drop(['Time'], axis=1)  
    

  • 结果如下：
    

• 3、切分原数据

  • 对原始数据进行切分，切出20%作为测试集，其余的为训练集

    # 切分数据集
    x_whole = data.drop('Class', axis=1) # # 去除标签列作为训练数据
    y_whole = data.Class  # 得到标签列
    # 划分出20%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_train_w, x_test_w, y_train_w, y_test_w = train_test_split(x_whole, y_whole, test_size=0.2, random_state=0)
    

• 4、过采样解决样本不均衡问题

  • 使用SMOTE算法通过生成新的少数类样本来增加其数量

    # 进行过采样操作
    from imblearn.over_sampling import SMOTE
    
    oversampler = SMOTE(random_state=0)  # 随机种子
    os_x_train, os_y_train, = oversampler.fit_resample(x_train_w, y_train_w)  # 人工拟合数据
    # os_x_train：传入模型训练的训练数据
    # os_y_train：传入模型训练的标签数据
    

  • 可以再次通过绘制条形图观察数据

    """绘制图形，查看正负样本个数"""
    # 通过标签数据来查看
    labels_count = pd.Series.value_counts(os_y_train)
    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：
    

  • 可以看出通过SMOT算法，让1标签的数据量增加到与0标签相同的数量

• 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_train_w, y_train_w, cv=10, 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(os_x_train, os_y_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
    
    # 传入原数据切分后的训练数据进行测试
    train_predicted_w = lr.predict(x_train_w)
    print(metrics.classification_report(y_train_w,train_predicted_w))
    
    # 传入原数据切分后的测试数据进行测试
    test_predicted_w = lr.predict(x_test_w)
    print(metrics.classification_report(y_test_w, test_predicted_w))
    

  • 结果如下:
    

  • 下面是未使用过采样方法，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，通过过采样的方法处理数据后可以大大提高模型的性能

三、过采样的优缺点

• 优点：

  • 平衡数据集：过采样通过增加少数类样本的数量，有助于平衡训练数据集中各个类别之间的比例，从而提高机器学习模型对少数类别的分类性能。
  • 不引入偏见：在合成新的少数类样本时，过采样方法（如SMOTE算法）并不依赖于多数类样本，因此不会引入对多数类的任何偏见。

• 缺点：

  • 过拟合风险：过度依赖过采样可能导致模型对训练数据过拟合，从而在未知数据上表现不佳。这是因为模型可能过于关注少数类的特征，而忽略了数据的整体分布。
  • 增加计算成本：过采样方法需要合成新的样本，这会增加数据集的规模，进而增加训练和预测的计算成本。
  • 引入噪声：在合成新的少数类样本时，过采样方法可能引入一定程度的噪声，这可能对模型的性能产生不利影响。
  • 类别平衡失衡：过采样可能会导致数据集类别的平衡性失衡，特别是当过采样比例过高时，会使得多数类样本的比例相对较低，从而可能导致模型对多数类样本的分类性能下降。