SMOTENC#

class imblearn.over_sampling.SMOTENC(categorical_features, *, categorical_encoder=None, sampling_strategy='auto', random_state=None, k_neighbors=5)[source]#

针对名义和连续数据的合成少数类过采样技术。

与SMOTE不同，SMOTE-NC适用于包含数值和分类特征的数据集。然而，它并不是设计用来仅处理分类特征的。

更多内容请参阅用户指南。

在版本0.4中添加。

Parameters:

categorical_features“infer” or array-like of shape (n_cat_features,) or (n_features,), dtype={bool, int, str}

指定哪些特征是分类的。可以是以下之一：

“auto”（默认）自动检测分类特征。仅在X是pandas.DataFrame且对应于具有pandas.CategoricalDtype的列时支持。
对应于指定分类特征的int数组；
对应于特征名称的str数组。在这种情况下，X应该是一个pandas pandas.DataFrame。
形状为 (n_features, ) 的掩码数组和 bool 数据类型，其中 True 表示分类特征。

categorical_encoderestimator, default=None

One-hot编码器用于编码分类特征。如果None，则使用OneHotEncoder，除了handle_unknown设置为'ignore'之外，其他参数均为默认值。

sampling_strategyfloat, str, dict or callable, default=’auto’

用于重新采样数据集的采样信息。

当float时，它对应于重采样后少数类样本数量与多数类样本数量的期望比率。因此，比率表示为\(\alpha_{os} = N_{rm} / N_{M}\)，其中\(N_{rm}\)是重采样后少数类样本的数量，\(N_{M}\)是多数类样本的数量。

警告

float 仅适用于二分类。对于多类分类会引发错误。
当 str 时，指定重采样所针对的类别。不同类别中的样本数量将被均衡化。可能的选择有：

'minority': 仅对少数类进行重采样;

'not minority': 对除少数类之外的所有类进行重采样;

'not majority': 重新采样除多数类之外的所有类；

'all': 对所有类别进行重采样;

'auto': 等同于 'not majority'.
当dict时，键对应于目标类别。值对应于每个目标类别所需的样本数量。
当可调用时，函数接受 y 并返回一个 dict。键对应于目标类别。值对应于每个类别所需的样本数量。

random_stateint, RandomState instance, default=None

控制算法的随机化。

如果是整数，random_state 是随机数生成器使用的种子；
如果 RandomState 实例，random_state 是随机数生成器；
如果 None，随机数生成器是 np.random 使用的 RandomState 实例。

k_neighborsint or object, default=5

用于定义样本邻域的最近邻，以生成合成样本。您可以传递：

一个int，对应于要使用的邻居数量。在这种情况下，将拟合一个~sklearn.neighbors.NearestNeighbors实例。
一个兼容的最近邻算法实例，应该实现kneighbors和kneighbors_graph两种方法。例如，它可以对应于NearestNeighbors，但也可以扩展到任何兼容的类。

Attributes:

sampling_strategy_dict: 包含用于采样数据集信息的字典。键对应于从中采样的类标签，值是要采样的样本数量。
nn_k_estimator object: 从k_neighbors参数创建的已验证k近邻。
categorical_encoder_estimator: 用于编码分类特征的编码器。
categorical_features_ndarray of shape (n_cat_features,), dtype=np.int64: 分类特征的索引。
continuous_features_ndarray of shape (n_cont_features,), dtype=np.int64: 连续特征的索引。
median_std_dict of int -> float: 每个类别的连续特征的标准差的中位数，用于过采样。
n_features_int: 在fit时观察到的特征数量。
n_features_in_int: 输入数据集中的特征数量。

在版本0.9中添加。
feature_names_in_ndarray of shape (n_features_in_,): 在fit期间看到的特征名称。仅在X具有全部为字符串的特征名称时定义。

在版本0.10中添加。

另请参阅

SMOTE: 使用SMOTE进行过采样。
SMOTEN: 使用专门针对分类特征的SMOTE变体进行过采样。
SVMSMOTE: 使用SVM-SMOTE变体进行过采样。
BorderlineSMOTE: 使用Borderline-SMOTE变体进行过采样。
ADASYN: 使用ADASYN进行过采样。
KMeansSMOTE: 在应用SMOTE进行过采样之前，先进行聚类过采样。

注释

更多详情请参见原始论文 [1]。

支持多类重采样。使用了一对多方案，如最初在[1]中提出的那样。

请参阅比较过采样采样器, 以及用于类似SMOTE采样器的样本生成器.

参考文献

[1] (1,2)

N. V. Chawla, K. W. Bowyer, L. O.Hall, W. P. Kegelmeyer, “SMOTE: 合成少数类过采样技术,” 人工智能研究杂志, 321-357, 2002.

示例

>>> from collections import Counter
>>> from numpy.random import RandomState
>>> from sklearn.datasets import make_classification
>>> from imblearn.over_sampling import SMOTENC
>>> X, y = make_classification(n_classes=2, class_sep=2,
... weights=[0.1, 0.9], n_informative=3, n_redundant=1, flip_y=0,
... n_features=20, n_clusters_per_class=1, n_samples=1000, random_state=10)
>>> print(f'Original dataset shape {X.shape}')
Original dataset shape (1000, 20)
>>> print(f'Original dataset samples per class {Counter(y)}')
Original dataset samples per class Counter({1: 900, 0: 100})
>>> # simulate the 2 last columns to be categorical features
>>> X[:, -2:] = RandomState(10).randint(0, 4, size=(1000, 2))
>>> sm = SMOTENC(random_state=42, categorical_features=[18, 19])
>>> X_res, y_res = sm.fit_resample(X, y)
>>> print(f'Resampled dataset samples per class {Counter(y_res)}')
Resampled dataset samples per class Counter({0: 900, 1: 900})

方法

`fit`(X, y, **params)	检查采样器的输入和统计信息。
`fit_resample`(X, y, **params)	重新采样数据集。
`get_feature_names_out`([input_features])	获取转换的输出特征名称。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_params`([deep])	获取此估计器的参数。
`set_params`(**params)	设置此估计器的参数。

fit(X, y, **params)[source]#

检查采样器的输入和统计信息。

在所有情况下，您都应该使用 fit_resample。

Parameters:

X{array-like, dataframe, sparse matrix} of shape (n_samples, n_features): 数据数组。
yarray-like of shape (n_samples,): 目标数组。

Returns:

selfobject: 返回实例本身。

fit_resample(X, y, **params)[source]#

重新采样数据集。

Parameters:

X{array-like, dataframe, sparse matrix} of shape (n_samples, n_features): 包含需要采样的数据的矩阵。
yarray-like of shape (n_samples,): X中每个样本对应的标签。

Returns:

X_resampled{array-like, dataframe, sparse matrix} of shape (n_samples_new, n_features): 包含重采样数据的数组。
y_resampledarray-like of shape (n_samples_new,): X_resampled 对应的标签。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

Parameters:

input_featuresarray-like of str or None, default=None

输入特征。

如果 input_features 是 None，则使用 feature_names_in_ 作为特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"]。
如果 input_features 是类似数组的，那么 input_features 必须与 feature_names_in_ 匹配，如果 feature_names_in_ 已定义。

Returns:

feature_names_outndarray of str objects: 与输入特征相同。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南了解路由机制的工作原理。

Returns:

routingMetadataRequest: 一个封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

Parameters:

deepbool, default=True: 如果为True，将返回此估计器及其包含的子对象的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

set_params(**params)[source]#

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如Pipeline）。后者具有__形式的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

使用`imblearn.over_sampling.SMOTENC`的示例#

比较过采样采样器

Compare over-sampling samplers

SMOTENC#

使用imblearn.over_sampling.SMOTENC的示例#

本页面

使用`imblearn.over_sampling.SMOTENC`的示例#