關於sklearn下class_weight引數的一點原始碼閱讀與測試
版權宣告：歡迎轉載，請註明原出處 https://blog.csdn.net/go_og/article/details/81281387
一直沒有很在意過sklearn的class_weight的這個引數的具體作用細節，只大致瞭解是是用於處理樣本不均衡。後來在簡書上閱讀svm鬆弛變數的一些推導的時候，看到樣本不均衡的帶來的問題時候，想更深層次的看一下class_weight的具體作用方式，
svm鬆弛變數的簡書連結：https://www.jianshu.com/p/8a499171baa9
該文中的樣本不均衡的描述：
“樣本偏斜是指資料集中正負類樣本數量不均，比如正類樣本有10000個，負類樣本只有100個，這就可能使得超平面被“推向”負類（因為負類數量少，分佈得不夠廣），影響結果的準確性。”
隨後翻開sklearn LR的原始碼：
我們以分類作為說明重點
在輸入引數class_weight=‘balanced’的時候：
-
# compute the class weights for the entire dataset y -
if class_weight == "balanced": -
class_weight = compute_class_weight(class_weight, -
np.arange(len(self.classes_)), -
y) -
class_weight = dict(enumerate(class_weight))
進一步閱讀 compute_class_weight這個函式：
-
elif class_weight == 'balanced': -
# Find the weight of each class as present in y. -
le = LabelEncoder() -
y_ind = le.fit_transform(y) -
if not all(np.in1d(classes, le.classes_)): -
raise ValueError("classes should have valid labels that are in y") -
recip_freq = len(y) / (len(le.classes_) * -
np.bincount(y_ind).astype(np.float64)) -
weight = recip_freq[le.transform(classes)]
compute_class_weight這個函式的作用是對於輸入的樣本，平衡類別之間的權重，下面寫段測試程式碼測試這個函式：
-
# coding:utf-8 -
from sklearn.utils.class_weight import compute_class_weight -
class_weight = 'balanced' -
label = [0] * 9 + [1]*1 + [2, 2] -
print(label) # [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2] -
classes=[0, 1, 2] -
weight = compute_class_weight(class_weight, classes, label) -
print(weight) #[ 0.44444444 4. 2. ] -
print(.44444444 * 9) # 3.99999996 -
print(4 * 1) # 4 -
print(2 * 2) # 4
如上圖所示，可以看到這個函式把樣本的平衡後的權重乘積為4，每個類別均如此。
關於class_weight與sample_weight在損失函式上的具體計算方式：
-
sample_weight *= class_weight_[le.fit_transform(y_bin)] # sample_weight 與 class_weight相乘 -
# Logistic loss is the negative of the log of the logistic function. -
out = -np.sum(sample_weight * log_logistic(yz)) + .5 * alpha * np.dot(w, w)
上述可以看出對於每個樣本，計算的損失函式乘上對應的sample_weight來計算最終的損失。這樣計算而來的損失函式不會因為樣本不平衡而被“推向”樣本量偏少的類別中。
class_weight以及sample_weight並沒有進行不平衡資料的處理，比如，上下采樣。詳細參見SMOTE EasyEnsemble等。
--------------------- 本文來自 摸摸小松鼠寶寶 的CSDN 部落格 ，全文地址請點選：https://blog.csdn.net/go_og/article/details/81281387?utm_source=copy