在 R 中使用 SMOTE 调试插入符号

Question

我正在尝试在 caret 的 trainControl 函数中使用 R 中的 SMOTE。按照作者的example我是这样做的：

#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 class 进行过采样。但是，这必须小心进行。例如，我们不应该在进行交叉验证之前进行过度采样。这将导致我们出现乐观的泛化错误。

#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。我现在想查看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，我发现 smote_inside$control 可能有一些信息。具体来说，它有 index 和 index_out：这些是每次 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

可以看到还是不平衡的。 SMOTE 应该从少数 class 中创建一些合成记录。也许这些信息保存在另一个地方？

问题：

如何查看使用smote创建的新训练记录以平衡数据？
如何确定测试文件夹没有被过采样污染？
在哪里可以找到插入符号对 SMOTE 的作用？指向源代码的指针。

Answer 1

一些答案：

它不保留该信息
它被设计成不污染保留数据。如果您想要证据（超出您引用的 link 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.
包源基本上随处可用。上面的两个函数（连同 probFunction）起作用了。

在 R 中使用 SMOTE 调试插入符号

debugging caret with SMOTE in R

r

machine-learning

cross-validation

r-caret