R语言抽样的问题

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› R语言›R语言教程

原作者: [db:作者] 来自: [db:来源] 收藏邀请

基本抽样函数sample

sample(x,size,replace=F/T)

x是数据集，

size规定了从对象中抽出多少个数

replace 为F时候，表示每次抽取后的数就不能在下一次被抽取；T表示抽取过的数可以继续拿来被抽取。

不平衡数据的问题

以某两类数据为目标做抽样，其中一类样本数量特别小，一类样本数特别大，这就是不平衡的情况。对应处理方式是做欠抽样处理，按照样本量小的类的数量，从大类中抽取样本。

以kaggle的信用卡欺诈案例为例，该项目欺诈的样本为492个，非欺诈样本284807个，对应处理方式为：

# 设定分层抽样
set.seed(1234)
index<-sample(x=1:nrow(card_data2),size = nrow(card_data1),replace = T)
# 非欺诈类对应的平衡后数据集为
card_data3<-card_data2[index,]
# head(card_data3)
# 合并欺诈样本和非欺诈样本,得到新数据集
new_card<-rbind(card_data1,card_data3)

# 其中card_data2为非欺诈样本集，card_data1为欺诈样本集