scikit-learn - 不平衡的数据集 - 如何通过网格搜索优化超参数？

Question

我想通过对不平衡数据集使用网格搜索来优化 SVC 的超参数 C 和 Gamma。到目前为止，我已经使用了 class_weights='balanced' 并根据 f1 分数的平均值选择了最佳超参数。然而，数据集非常不平衡，即如果我选择 cv=10 的 GridSearchCV，那么一些少数类不会在验证数据中表示。我正在考虑使用 SMOTE，但我发现这里的问题是我必须设置 k_neighbors=1，因为在某些少数类中通常只有 1-2 个样本。有谁知道如何在这种情况下优化超参数？还有其他选择吗？

非常感谢您的每一个提示

Answer 1

I would like to optimize the hyperparameters C and Gamma of an SVC by using grid search for an unbalanced data set. Does anyone have a tip how to optimized the hyperparameters in this case?

您可以使用 GridSearchCV() 函数执行以下操作:

from sklearn.model_selection import GridSearchCV 


param_grid = {'C': [0.1, 5, 50, 100],  
              'gamma': [1, 0.5, 0.1, 0.01]}  

model = GridSearchCV(SVC(), param_grid, refit = True) 

model.fit(X_train, y_train)

您可以使用RandomizedSearchCV以便探索更多选择。

I'm thinking of using SMOTE, but I see the problem here that I would have to set k_neighbors=1

你试过吗ADASYN ？

Are there any alternatives?

当我真的迷失时，我会尝试“最后的资源”。这是一个名为tpot的工具。

只是做一个这样的例子:

tpot = TPOTClassifier(generations=5, population_size=50, scoring='roc_auc', verbosity=2, random_state=42)
tpot.fit(X_train, y_train)
print(tpot.score(X_test, y_test))
tpot.export('tpot_results.py')

它将输出一个 sklearn 代码，带有算法和管道，在本例中 tpot_results.py 将是:

tpot_data = pd.read_csv('PATH/TO/DATA/FILE', sep='COLUMN_SEPARATOR', dtype=np.float64)
features = tpot_data.drop('target', axis=1)
training_features, testing_features, training_target, testing_target = \
            train_test_split(features, tpot_data['target'], random_state=42)

# Average CV score on the training set was: 0.9826086956521738
exported_pipeline = make_pipeline(
    Normalizer(norm="l2"),
    KNeighborsClassifier(n_neighbors=5, p=2, weights="distance")
)
# Fix random state for all the steps in exported pipeline
set_param_recursive(exported_pipeline.steps, 'random_state', 42)

exported_pipeline.fit(training_features, training_target)
results = exported_pipeline.predict(testing_features)

使用此工具时要小心过度拟合问题，但这是我可以推荐您的一种替代方案。