请教不平衡分类样本，DMwR包中的SMOTE函数中perc.over和perc.under的意义

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

请教不平衡分类样本，DMwR包中的SMOTE函数中perc.over和perc.under的意义。
怎样设置为好，与产生的新数据集的大小类样本比例关系是怎样的？


SMOTE(form, data, perc.over = 200, k = 5, perc.under = 200,
      learner = NULL, ...)
Arguments

form       
A formula describing the prediction problem
data       
A data frame containing the original (unbalanced) data set
perc.over       
A number that drives the decision of how many extra cases from the minority class are generated (known as over-sampling).
k       
A number indicating the number of nearest neighbours that are used to generate the new examples of the minority class.
perc.under       
A number that drives the decision of how many extra cases from the majority classes are selected for each case generated from the minority class (known as under-sampling)

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：Under Over Mote ERC 不平衡 平衡 样本 prediction generated examples

perc.over：定义过采样的抽样次数，即对于少数类样本点，需要为每个点重新构造多少个点。默认值为200，即重新为每个少数类样本点构造200/100=2个点。
perc.under：定义欠采样的抽样次数，即从多数类样本中选择perc.under倍于新生成的样本数量，默认为200，即从多数类样本中选择200/100=2倍于新生成样本的数量

吴追求 发表于 2017-5-4 20:55
perc.over：定义过采样的抽样次数，即对于少数类样本点，需要为每个点重新构造多少个点。默认值为200，即重 ...

非常感谢！