我试图在SMOTE
的trainControl函数内的R
中使用caret
。按照作者的example,我执行以下操作:
#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$Class)
Class1 Class2
9411 589
我想使用
SMOTE
算法对我的少数派进行过采样。但是,必须谨慎进行。例如,在进行交叉验证之前,我们不应该过采样。这将导致我们出现乐观的泛化错误。#create my folds (5 in this case)
folds <- createFolds(factor(imbal_train$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。现在,我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度采样之前,先保留一个文件夹,并且在其中没有创建新的综合记录。
查看
train
输出的对象,可以看到smote_inside$control
可能有一些信息。具体来说,它具有index
和index_out
:这些是每次cv迭代中训练和测试的行索引。但是,当我这样做时:lista=smote_inside$control
dd=imbal_train[lista$index$Fold1,] #training data first cv iteration
table(dd$Class)
Class1 Class2
7529 471
您可以看到它仍然不平衡。 SMOTE应该创建少数群体的一些综合记录。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平衡数据?
如何确定测试文件夹没有被过度采样污染?
在哪里可以找到SMOTE的插入符号?指向源代码的指针。
最佳答案
一些答案:
它不保留该信息
它旨在不污染保留数据。如果要证明(超出您引用的链接中显示的内容),请查看createModel
以查看其如何进行采样,以及predictionFunction
了解预测之前如何处理数据。
软件包的来源基本上随处可见。上面的两个功能(以及probFunction
)起作用。