Rのデータセット内のインスタンスをオーバーサンプルする方法

Question

私は20のクラスを持つデータセットを持っており、かなり不均一な分布をしています。 Rにデータセットのバランスをとる機能がありますか？

分類のためにWekaで平衡データを使用したいと考えています。私のクラスの分布は歪んでいるので、私は、多数のクラスが1つもない場合、より良い結果を得ることを望んでいます。

私はSMOTEフィルターとリサンプルフィルターを使用しようとしましたが、私がしたいことはしません。 インスタンスを削除する必要はありません。繰り返しは問題ありません。

Answer 1

私はあなたの用語に誤解があると思います。あなたの質問のタイトルはサンプリングを指しますが、質問テキストには重み付けが含まれます。明確にするために

：

をサンプリングを使用すると、どちらかは元のセットに比べて、より少ない同じ、またはそれ以上のインスタンスを持っています。サンプルのユニークなメンバーシップは、元のセットの厳密なサブセットであっても、元のセットと同じであってもよい（置き換え、すなわち重複を伴う）。

重み付けを行うことにより、一様な重み付けに対して相対的なバランス（バランス）を取る、または課すための追加の目的（サンプリング、機械学習など）に使用できる重みを調整するだけです。

私はあなたが重み付けを指していると信じていますが、同じ答えが両方の場合に有効です。観察の合計数がNであり、各クラスの頻度が20-長ベクトルfreqの要素（例えば、クラス1の項目の数がfreq[1]*Nである場合）の場合、重みベクトルを1/freqと単純に使用して重みを正規化します。あなたは何らかの定数でスケールすることができます。 Nでも問題ありません。周波数が0またはそれに非常に近い場合は、スムージングされたカウントのベクトル（Good-Turingスムージングなど）を使用してこの問題に対処できます。

結果として、各セットは総重量の等しい割合を持ちます。