Question

我试图在SMOTE中的trainControl函数中使用R中的caret。按照作者的example我的行为如下：

#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算法对我的少数民族类进行过采样。但是，这必须谨慎进行。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。我现在想看到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采样之前，保留了一个文件夹，并且没有在其中创建新的合成记录。

查看train输出的对象，我可以看到smote_inside$control可能有一些信息。具体来说，它具有index和index_out：这些是每个cv迭代中的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

你可以看到它仍然是不平衡的。 SMOTE应该从少数类创建一些合成记录。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？
我怎样才能确定测试文件夹没有被过采样污染？
我在哪里可以找到关注SMOTE的插曲？指向源代码的指针。

Answer 1

一些答案：

它不保留该信息
它的设计不会污染保持数据。如果您需要证明（超出您所引用的链接中显示的内容），请查看createModel以了解它如何进行抽样，并predictionFunction了解如何在预测之前处理数据。
包源基本上可以在任何地方使用。上面的两个函数（以及probFunction）来完成工作。

使用R

1 个答案: