1

我正在研究响应率（不良）小于 1% 的二元分类问题。预测变量包括一组名义分类变量和连续变量。

最初，我尝试使用过采样技术 (SMOTE) 来平衡这两个类别。在过采样数据集上执行的逻辑回归导致良好的整体准确度，但误报率非常高。

我现在计划进行欠采样并运行多个逻辑回归模型。我正在处理的基本python代码如下。需要指导将这些多元逻辑回归模型的结果合二为一。

import pandas as pd
import numpy as np
from sklearn import preprocessing
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
#Set i for the number of equations required
for i in range(10):
   #Create a sample of goods, good is pandas df containing goods
   sample_good=good.sample(n=300,replace=True)

   #Create a sample of bads, bad is pandas df containing bads. There are 
   #only 100 bads in the dataset
   sample_bad=bad.sample(n=100,replace=True)

   #Append the good and bad sample
   sample=sample_good.append(sample_bad)

   X = sample.loc[:, sample.columns != 'y']
   y = sample.loc[:, sample.columns == 'y']

   from sklearn.linear_model import LogisticRegression
   from sklearn import metrics
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, 
   random_state=0)
   logreg = LogisticRegression()
   logreg.fit(X_train, y_train)
   y_pred = logreg.predict(X_test)
   print('Accuracy of logistic regression classifier on test set: 
   {:.2f}'.format(logreg.score(X_test, y_test)))

上面的 for 循环运行了 10 次，构建了 10 个不同的模型。需要将这 10 个模型集成为一个模型的指导。我已经阅读了诸如装袋等可用技术。在这种情况下，由于响应率非常低，我创建的样本每次都需要有所有的坏处。

4

1 回答 1

2

我认为你应该使用 scikit-learn 的 BaggingClassifier。简而言之，它在数据的随机子样本上拟合多个分类器，然后让它们投票执行分类。这个元估计器将优雅地阻止您编写 for 循环。至于采样（我相信这是您编写循环的最初动机），您可以在 model.fit() 方法中调整权重。

import numpy as np
from sklearn.ensemble import BaggingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import balanced_accuracy_score

breast_cancer = datasets.load_breast_cancer()
X = breast_cancer.data
y = breast_cancer.target
X_train, X_test, y_train, y_test = train_test_split(X,y)

如您所见，数据集是不平衡的（毕竟是医疗数据）：

len(y_train[y_train == 0]),len(y_train[y_train == 1]) # 163, 263

因此，让我们添加样本权重

y0 = len(y_train[y_train == 0])
y1 = len(y_train[y_train == 1])

w0 = y1/y0
w1 = 1

sample_weights = np.zeros(len(y_train))
sample_weights[y_train == 0] = w0
sample_weights[y_train == 1] = w1

现在是 BaggingClassifier：

model = BaggingClassifier(LogisticRegression(solver = 'liblinear'), 
                      n_estimators=10, 
                      bootstrap = True, random_state = 2019)
model.fit(X,y,sample_weights)
balanced_accuracy_score(y_test,model.predict(X_test)) # 94.2%

请注意，如果我不适合样本权重，我只能获得 92.1% 的平衡准确率（平衡准确率 = 平均召回率，这对于不平衡问题非常方便）

于 2019-01-24T02:38:13.920 回答