数据不均衡问题

非均衡数据处理--如何评价？

 

什么是非均衡数据？

 

这个问题很直观， 就是样本中数据的不同类别的样本的比例相差很大， 一般可以达到 9:1 或者更高。 这种情况其实蛮常见的， 譬如去医院看病的人，最后当场死亡的比例（大部分人还是能活着走出医院的， 所以要对医生好点）。 或者搞大数据的人员中男女比例。再或者， 生长线上的正品和次品。 如下图就是， 两种样本非常不成比例， 就失衡了（Imbalanced/unbalanced） 。

 

 

 

 

为什么非均衡是个大问题？

 

主要的原因就是非均衡影响到了分类算法的效果。是怎么影响的呢？ 首先我们看一下如何评价一个分类算法。 一般来说会用到Confusion Matrix。

 

 

 

一般来说，一个分类器要正确率高。 那么正确率（Accuracy，ACC）是什么呢？

 

 

 

但是如果是非均衡的情况下， 如果选择绝对分类器（absolute classifier）， 简单全部判别成主要（Major）的类别， 那么 （TP+TN）/ (P + N) = P / (P + N) > 90% 。

 

 

 

另外一个原因， 因为目前大部分分类器是按平衡数据的正确率来进行优化的， 那么很容易忽视较小（Minor）的类别， 使得分类器对Minor失效。

 

因此两个问题放在我们面前了：

1）： 如何评价非均衡数据分类效果。

2）： 如何学习到一个适合分类器。

 

 

非均衡数据分类的评价？

 

有个最早在自信号处理领域发明， 但是生物医学领域发扬光大的标准叫受试者操作特征曲线 Receiver operating characteristic (ROC) curve的标准。受试者， 一听就像药物测试的对象。 对的，这正是前面提到在生物医药领域， 非均衡情况特别普遍， 这也是ROC curve标准广泛应用的原因吧。

 

ROC 曲线是坐标系上的曲线， X轴是FPR （Specificity）， Y轴是TPR（Sensitivity / Recall）。

 

 

 

一般情况下， 这个曲线采用描点法（4个点）来确定这个曲线。 而这个曲线下面和X轴的面积，就叫Area Under Curve（AUC）。 AUC是衡量分类器好坏的标准。

 

 

 

为什么ROC有效呢？因为我们选择一个随机分类器（random classifier）， 这是比较一个分类器好坏的最好办法。 因为比随机分类器稍好的叫弱分类器（weak classifier）， 要好很多的叫强分类器（strong classifier）。ROC在随机分类器情况下，刚好是对角线。

 

 

 

ROC 曲线在absolute classifier把全部数据分到major类别时候， 不存在Accuracy的问题。 因为AUC=0， 是很差的情况。

 

 

因此， 把ACC受到非均衡影响的叫imbalance sensitive的标准， 而把AUC这类的叫imbalance non-sensitive标准。 所以要选这non-sensitive的标准来衡量非均衡数据。 和ACC相关的F-Measure， 或者相关系数Correlation Coefficient（CC）， 以及决策树用的Mutual Information（MI）这些都是sensitive的，不推荐使用。 而G-Mean， AUC， 以及基于ROC衍生的PCF-EC图（Probility Cost Function - Expected Cost）等是non-sensitive的比较推荐。

 

大致情况，如下图所示， 更多细节就不在这里展开了。

 

 

 

 

 

 

 

 

根据Chris Chen的提醒， 加入“Cumulative Gains Curve and lift chart” 和 “Area Under Lift, AUL”：

 

 

 

 

 

 

小结， 这样我们总结了如何评价非均衡数据分类的情况， 该选用non-sensitive的标准。 但是如何学习的问题？后续会继续介绍， 主要有三种方式：

1. 通过sampling技术，生成均衡的样本
2. 调整算法，允许算法改变权重weight变得cost-sensitive。
3. 采用集成学习思想， 将major类进行横向划分，形成小的均衡的样本集群。