python-3.x - 使用 imblearn 管道进行交叉验证之前或之后是否会发生过采样？

Question

在对训练数据进行交叉验证以验证我的超参数之前，我已将我的数据拆分为训练/测试。我有一个不平衡的数据集，想在每次迭代中执行 SMOTE 过采样，所以我使用 imblearn 建立了一个管道.

我的理解是应该在将数据分成k-fold后进行过采样，以防止信息泄漏。使用 Pipeline 时是否保留了此操作顺序(数据拆分为 k 折、k-1 折过采样、预测剩余折)？在下面的设置中？

from imblearn.pipeline import Pipeline
model = Pipeline([
        ('sampling', SMOTE()),
        ('classification', xgb.XGBClassifier())
    ])


param_dist = {'classification__n_estimators': stats.randint(50, 500),
              'classification__learning_rate': stats.uniform(0.01, 0.3),
              'classification__subsample': stats.uniform(0.3, 0.6),
              'classification__max_depth': [3, 4, 5, 6, 7, 8, 9],
              'classification__colsample_bytree': stats.uniform(0.5, 0.5),
              'classification__min_child_weight': [1, 2, 3, 4],
              'sampling__ratio': np.linspace(0.25, 0.5, 10)
             }

random_search = RandomizedSearchCV(model,
                                   param_dist,
                                   cv=StratifiedKFold(n_splits=5),
                                   n_iter=10,
                                   scoring=scorer_cv_cost_savings)
random_search.fit(X_train.values, y_train)

Answer 1

你的理解是对的。当您喂食 pipeline如 model ，训练数据(k-1)使用 .fit() 应用并在 k 上完成测试第一次折叠。然后对训练数据进行采样。

documentation用于 imblearn.pipeline .fit()说:

Fit the model

Fit all the transforms/samplers one after the other and transform/sample the data, then fit the transformed/sampled data using the final estimator.