我想在 caret
中的trainControl函数中使用 R
中的 SMOTE
. 以下作者的example我做如下:
#first, create an imbalanced data set
set.seed(2969)
imbal_train <- twoClassSim(10000, intercept = -20, linearVars = 20)
imbal_test <- twoClassSim(10000, intercept = -20, linearVars = 20)
table(imbal_train$Class)
Class1 Class2
9411 589
我想使用 SMOTE
算法对我的少数民族类进行过采样 . 但是,这必须谨慎进行 . 例如,我们不应在进行交叉验证之前进行过采样 . 这将导致我们乐观的泛化错误 .
#create my folds (5 in this case)
folds <- createFolds(factor(imbal_train$Class), k = 5, list = TRUE,returnTrain=TRUE)
#trainControl to set up my training phase.
ctrl <- trainControl(method = "cv", index = folds,
classProbs = TRUE,
summaryFunction = twoClassSummary,
savePredictions = "all",
## new option here:
sampling = "smote")
#train the model
set.seed(5627)
smote_inside <- train(Class ~ ., data = imbal_train,
method = "treebag",
nbagg = 50,
metric = "ROC",
trControl = ctrl)
它运行没有错误 . 我现在想看到每次迭代中使用的训练和测试集 . 我需要确保在对训练文件夹进行过采样之前,保留了一个文件夹,并且没有在其中创建新的合成记录 .
查看 train
输出的对象,我可以看到 smote_inside$control
可能有一些信息 . 具体来说,它有 index
和 index_out
:这些是每个cv迭代中训练和测试的行索引 . 但是,当我这样做时:
lista=smote_inside$control
dd=imbal_train[lista$index$Fold1,] #training data first cv iteration
table(dd$Class)
Class1 Class2
7529 471
你可以看到它仍然是不 balancer 的 . SMOTE应该从少数类创建一些合成记录 . 也许这些信息保存在另一个地方?
问题:
-
如何查看使用smote创建的新培训记录以 balancer 数据?
-
如何确保测试文件夹没有被过采样污染?
-
哪里可以找到注意事项与SMOTE有什么关系?指向源代码的指针 .
1 回答
一些答案:
它不保留该信息
它的设计不会污染保持数据 . 如果您需要证明(超出您所引用的链接中显示的内容),请查看
createModel
以了解它如何进行采样,并查看predictionFunction
以了解在预测之前如何处理数据 .包源基本上可以在任何地方使用 . 上面的两个函数(以及
probFunction
)来完成工作 .