在 R 中定义 n 的平衡样本

Question

我有一个用于情绪分析的不平衡数据集，其中包含大约 65000 个观察值（约 60000 个正值和约 5000 个负值）。这个数据集应该是平衡的，这样我就有相同数量的正面和负面观察来训练我的机器学习算法。

包 caret 和函数 downSample 帮助我获得了约 5000 个负观察和约 5000 个正观察（下采样到少数 class）。但我喜欢恰好有 2500 个随机选择的正观察值和 2500 个随机选择的负观察值。有谁知道怎么做吗？

Answer 1

你只想要每个 2500 个？？

require(tidyverse)
df <- data.frame(class = c(rep('POS',60000), rep('NEG',5000)), random = runif(65000))
result <- df %>% 
  group_by(class) %>% 
  sample_n(2500)
table(result$class)

Answer 2

理想情况下，您应该在重采样过程中完成二次采样。我建议使用 trainControl 的 sampling 参数来指定不同的下采样。使用来自@mr.joshuagordon 的代码：

library(caret)
#> Loading required package: lattice
#> Loading required package: ggplot2
require(tidyverse)
#> Loading required package: tidyverse
df <-
  data.frame(
    class = factor(c(rep('POS', 60000), rep('NEG', 5000))),
    random1 = runif(65000),
    random2 = runif(65000)
  )

sampler <- function(x, y) {
  if (!is.data.frame(x))
    x <- as.data.frame(x)
  dat <- 
    x %>% 
    mutate(.y = y) %>% 
    group_by(.y) %>% 
    sample_n(2500) %>% 
    ungroup() %>% 
    as.data.frame()
  list(x = dat[, names(dat) != ".y", drop = FALSE], y = dat$.y)
}

samp_info <- list(name = sampler, first = TRUE)

ctrl <- trainControl(method = "cv", sampling = sampler)

lr_mod <- train(class ~ ., data = df, method = "glm", trControl = ctrl)
length(lr_mod$finalModel$residuals)
#> [1] 5000

^{由 reprex package (v0.2.1)}

于 2019-03-20 创建

在 R 中定义 n 的平衡样本

Balanced sample with defined n in R

r

r-caret

sentiment-analysis

downsampling