sklearn.datasets.make_classification无法生成平衡类

Question

我正在尝试使用sklearn库中的make_classification来生成分类任务的数据，并且我希望每个类都有精确的4个样本。

如果类数小于19，则行为正常。

from sklearn.datasets import make_blobs, make_classification
import numpy as np
data = make_classification(n_samples=76, n_features=5, n_informative=5, n_redundant=0, n_repeated=0, 
                           n_classes=19, n_clusters_per_class=1, weights=None, flip_y=0, class_sep=1.0, 
                           shuffle=False, random_state=101)
print(data[1])
[ 0  0  0  0  1  1  1  1  2  2  2  2  3  3  3  3  4  4  4  4  5  5  5  5
  6  6  6  6  7  7  7  7  8  8  8  8  9  9  9  9 10 10 10 10 11 11 11 11
 12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 15 16 16 16 16 17 17 17 17
 18 18 18 18]

但是，如果类数等于或超过20个，则第一类将有5个样本，最后一个类将只有3个样本，这是不平衡的。

data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0, 
                           n_classes=20, n_clusters_per_class=1, weights=None, flip_y=0, class_sep=1.0, 
                           shuffle=False, random_state=101)
print(data[1])
[ 0  0  0  0  0  1  1  1  1  2  2  2  2  3  3  3  3  4  4  4  4  5  5  5
  5  6  6  6  6  7  7  7  7  8  8  8  8  9  9  9  9 10 10 10 10 11 11 11
 11 12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 15 16 16 16 16 17 17 17
 17 18 18 18 18 19 19 19]

在检查文档时，我发现weight参数控制着classes的比例。

weights：浮标列表或无列表(default=None) 分配给每个类的样本比例。如果没有，那么类是平衡的。注意，如果len(权重) == n_classes - 1，那么将自动推断最后一个类的权重。如果权重之和超过1，则可以返回超过n_samples的样本。

因此，我尝试使用以下代码显式地输入比例。

data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0, 
                           n_classes=20, n_clusters_per_class=1, weights=list(np.ones(20)), flip_y=0, class_sep=1.0, 
                           shuffle=False, random_state=101)
print(data[1])
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0]

然而，生成的类是完全错误的。

我不知道为什么这个函数是这样的。当n_classes大于或等于20时，如何确保平衡类？

Answer 1

虽然它没有明确提到，而且令人困惑，但参数weights需要样本的“比例”。它不会自动将数字转换成比例。

因此，如果总样本数= 80，并且要将40个样本分配到第1类，则该比例将变为0.5。

但是，你提供的比例如下：

[1.0, 1.0, 1.0, 1.0,.................., 1.0, 1.0, 1.0, 1.0]

这是错误的根源。该方法对于第一类(在您的情况下为0)采用1.0，并忽略所有其他类。

这样做：

n_classes = 20
weights=list(np.ones(20)/n_classes)  <== Making proportions correct

data = make_classification(n_samples=80, n_features=5, n_informative=5, n_redundant=0, n_repeated=0, 
                           n_classes=n_classes, n_clusters_per_class=1, weights=weights, flip_y=0, class_sep=1.0, 
                           shuffle=False, random_state=101)

正确返回：

array([ 0,  0,  0,  0,  1,  1,  1,  1,  2,  2,  2,  2,  3,  3,  3,  3,  4,
        4,  4,  4,  5,  5,  5,  5,  6,  6,  6,  6,  7,  7,  7,  7,  8,  8,
        8,  8,  9,  9,  9,  9, 10, 10, 10, 10, 11, 11, 11, 11, 12, 12, 12,
       12, 13, 13, 13, 13, 14, 14, 14, 14, 15, 15, 15, 15, 16, 16, 16, 16,
       17, 17, 17, 17, 18, 18, 18, 18, 19, 19, 19, 19])

最后一行：

如果权重之和超过1，则可以返回超过n_samples的样本。

似乎增加了混乱。

当您将1.0作为所有类的比例传递时，它应该返回80*20 =1600个样本，每个类都返回80个样本。

但它并没有这么做。它在内部正确地生成样本，但随后只返回前80个样本(由n_samples param定义)。这就是为什么在生成的数据中只返回一个类(0)的原因。您应该在github：https://github.com/scikit-learn/scikit-learn/issues的页面上发布这个问题。