У меня очень несбалансированный набор данных (99,5: 0,5). Я хотел бы выполнить настройку гиперпараметра для модели Random Forest, используя sklearn
s RandomizedSearchCV
. Я бы хотел, чтобы каждая из тренировочных сгибов была подвергнута передискретизации с использованием SMOTE, а затем каждый из тестов оценивался на финальной сгибе, сохраняя исходное распределение без какой-либо передискретизации. Поскольку эти тестовые сгибы сильно разбалансированы, я бы хотел, чтобы тесты оценивались с использованием балла F1.
Я попробовал следующее:
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV, StratifiedKFold
from imblearn.over_sampling import SMOTE
from imblearn.pipeline import make_pipeline
import pandas as pd
dataset = pd.read_csv("data/dataset.csv")
data_x = dataset.drop(["label"], axis=1)
data_y = dataset["label"]
smote = SMOTE()
model = RandomForestClassifier()
pipeline = make_pipeline(smote, model)
grid = {
"randomforestclassifier__n_estimators": [10, 25, 50, 100, 250, 500, 750, 1000, 1250, 1500, 1750, 2000],
"randomforestclassifier__criterion": ["gini", "entropy"],
"randomforestclassifier__max_depth": [10, 20, 30, 40, 50, 75, 100, 150, 200, None],
"randomforestclassifier__min_samples_split": [1, 2, 3, 4, 5, 8, 10, 15, 20],
"randomforestclassifier__min_samples_leaf": [1, 2, 3, 4, 5, 8, 10, 15, 20],
"randomforestclassifier__max_features": ["auto", None, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9],
"randomforestclassifier__bootstrap": [True, False],
"randomforestclassifier__max_samples": [None, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9],
}
kf = StratifiedKFold(n_splits=5)
search = RandomizedSearchCV(pipeline, grid, scoring='f1', n_iter=10, n_jobs=-1, cv=kf)
search = search.fit(data_x, data_y)
print(search.best_params_)
Однако я не уверен, что SMOTE применяется к тестовому набору на каждой итерации.
Как я могу убедиться, что SMOTE применяется только к тренировочным сгибам, но не к тестовым сгибам?
РЕДАКТИРОВАТЬ:
Эта статья , кажется, отвечает на мой вопрос (в частности, в разделе 3B), предоставляя образец кода именно то, что я пытаюсь делать, и демонстрируя, как это работает, как я указал, я хотел бы