如何在R中的數據集中過採樣實例

Question

我有一個包含20個類的數據集，它具有非常不均勻的分佈。 R中是否有任何功能允許我們平衡數據集（也許加權）？

我想與Weka一起使用平衡數據進行分類。由於我的課程分佈有偏差，如果沒有單獨的大多數課程，我希望能夠取得更好的成績。

我試圖使用SMOTE過濾器和Resample過濾器，但他們不完全做我想要的。 我不希望任何實例被刪除，重複是好的。

Answer 1

我認爲您的術語存在誤解。你的問題標題是指抽樣，但問題文本涉及加權。

澄清：

取樣，你要麼擁有比原來設定較少，相同或更多的實例;樣本的唯一成員資格可以是原始集合的嚴格子集，也可以與原始集合相同（帶有替換 - 即重複）。

通過加權，您可以簡單地調整可用於某種進一步目的（例如採樣，機器學習）的權重，以解決或施加相對於統一加權的某種（即時）平衡。

我相信你指的是加權，但同樣的答案應該適用於這兩種情況。如果觀察的總＃是N和每個類的頻率是20長矢量freq（例如，在1類項的個數是freq[1]*N）的一個元素，則簡單地使用的1/freq權重向量來歸一化權重。您可以通過一些常數來縮放它，例如N，雖然沒關係。如果任何頻率爲0或與其非常接近，則可以使用平滑計數向量（例如Good-Turing平滑）來解決此問題。

因此，每組將具有相同比例的總重量。