过采样：
机器学习——过采样（OverSampling），解决类别不平衡问题，案例：逻辑回归 信用卡欺诈检测-CSDN博客
（完整代码在底部）
使用下采样解决类别不平衡问题 —— 以信用卡欺诈识别为例
在实际机器学习任务中，**类别不平衡问题（Imbalanced Classification Problem）**极为常见，特别是在金融风控、医疗诊断等领域。例如，信用卡欺诈交易仅占总交易数的一小部分，而模型往往容易“偏向”多数类，导致模型虽有高精度但检测效果极差。
本文将演示一种常用的应对策略：下采样（undersampling）
一、什么是下采样？
下采样是指从样本数量较多的类别中随机抽取一部分样本，使其与少数类的数量一致，从而达到类别平衡的目的。它的优点是简洁快速，缺点是可能舍弃有价值的信息，但在数据量非常大的情况下，通常是一种高效方案。
二、完整代码解析与步骤讲解
🔹 1. 导入依赖并读取数据
import pandas as pd
from sklearn import metrics
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler# 读取信用卡欺诈数据集
data = pd.read_csv('creditcard.csv') 信用卡欺诈检测数据集 creditcard.csv
-
数据来源：信用卡欺诈检测实战数据集_数据集-阿里云天池
https://tianchi.aliyun.com/dataset/101562?accounttraceid=c1258603818f44d6a57fe125248cc969rkgu -
样本总数：284,807 条
-
特征数：30（28个匿名特征 + 金额
Amount+ 时间Time） -
目标变量：
Class（0=正常交易，1=欺诈交易）
🔹 2. 数据预处理
# 标准化 Amount 字段（转换为均值为0、标准差为1的分布）
scaler = StandardScaler()
data['Amount'] = scaler.fit_transform(data[['Amount']]) # 用标准化结果替换原始 'Amount'# 删除无关的 Time 字段
data = data.drop("Time", axis=1)标准化 Amount 字段有助于模型更快收敛；而 Time 特征在本任务中并无实际贡献，故直接删除。
三、原始数据训练模型
🔹 拆分训练集和测试集
# 将特征和标签分开
X = data.drop("Class", axis=1) # 特征变量
y = data.Class # 标签变量# 拆分原始数据为训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=100)
🔹 构建并训练模型
# 在原始数据上训练逻辑回归模型
model = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model.fit(X_train, y_train)🔍 在原始测试集上评估
# 原数据的‘0’‘1’组成
labels_count = pd.value_counts(data['Class'])
print("原数据组成：\n",labels_count)# 原始数据训练的模型，对原始测试集进行预测
print("‘原数据训练得到的模型’ 对 ‘原数据的测试集’ 的测试:")
predictions_test = model.predict(X_test)
print(metrics.classification_report(y_test, predictions_test)) # 输出分类评估指标
数据组成：可见欺诈交易极少，若不处理，模型训练会极度偏向“正常交易”，导致高精度但低召回。
recall(0)=1 , recall(1)=L:0.65
全部的0都被检查出来了，，但只有%65的1被检测出来。
这一步展示了原始数据训练出来的模型在测试集上的效果，由于训练数据严重不平衡，模型倾向于预测“正常交易”，虽然整体准确率高，但对“欺诈交易”的识别能力可能很差。
四、应用下采样处理数据不平衡
🔹 构造平衡数据集
# ============ 下采样处理开始 ============
# 获取正常交易样本（Class=0）和欺诈交易样本（Class=1）
class_0 = data[data['Class'] == 0]
class_1 = data[data['Class'] == 1]# 从正常交易中随机采样，数量与欺诈交易相同，实现类别平衡
class_0 = class_0.sample(len(class_1))# 合并下采样后的正常交易与全部欺诈交易
data_under = pd.concat([class_0, class_1])此处，原始正常交易有数十万条，而欺诈交易不足千条。下采样使得两个类别数量一致。
🔹 拆分下采样后的训练与测试集
# 构建下采样数据的特征和标签
X_under = data_under.drop("Class", axis=1)
y_under = data_under.Class# 拆分下采样数据为训练集和测试集
X_train_under, X_test_under, y_train_under, y_test_under = train_test_split(X_under, y_under, test_size=0.3, random_state=100)五、用下采样数据训练新模型
# 使用下采样数据训练逻辑回归模型
model_under = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model_under.fit(X_train_under, y_train_under)这一步训练的是“下采样数据训练出来的模型”，它更公平地学习了两类样本特征，更有可能识别欺诈交易。
六、评估新模型在原始测试集的效果
# 下采样数据的‘0’‘1’组成
labels_count_under = pd.value_counts(data_under['Class'])
print("下采样数据组成：\n",labels_count_under)# 用下采样模型对原始测试集进行预测
print("‘下采样数据训练得到的模型’ 对 ‘原数据的测试集’ 的测试:")
predictions_test = model_under.predict(X_test)
print(metrics.classification_report(y_test, predictions_test)) # 输出评估报告
-
从正常交易中随机抽取492条样本；
-
再与所有欺诈交易（492条）组合，得到总共 984 条样本的下采样数据集；
-
这使得逻辑回归模型在训练过程中对两个类别给予相同权重学习，提升模型识别少数类的能力。
此处，我们用下采样模型对原始数据测试集做预测，看看在现实中（多数为正常交易）的表现是否更好地平衡了 recall 与 precision。
七、实验对比分析：原始模型 vs 下采样模型
原始模型的特点
-
正常交易识别非常完美（precision=1.00, recall=1.00）
-
对欺诈交易识别较弱：虽然 precision 有 0.77，但 recall 仅为 0.65，意味着 仍有 35% 欺诈交易未被识别
-
整体准确率为 1.00，但这种“高准确率”是由数据极度不平衡带来的幻象
下采样模型的特点
-
正常交易略有误识别（recall 从 1.00 降至 0.95），但仍保持高 precision
-
对欺诈交易的 recall 高达 0.93，意味着识别出了 93% 欺诈交易，虽然 precision 非常低（0.04）
-
整体准确率下降为 0.96，但在安全场景中，召回率往往更重要
八、效果分析与建议
✅ 模型优点：
-
训练集平衡 → 提升对少数类（如欺诈交易）的学习能力
-
训练速度快 → 数据量减少
⚠️ 模型局限：
-
丢弃部分多数类样本 → 信息损失
-
在样本稀缺的场景不推荐使用（建议用过采样）
总结
| 方案 | 原始模型 | 下采样模型 |
|---|---|---|
| 优势 | 保留全部数据 | 解决类别不平衡 |
| 缺点 | 偏向多数类 | 可能舍弃有价值的信息 |
| 精度 | 高（总体） | 偏向 recall |
| 适用场景 | 多数类重要 | 少数类重要（如欺诈识别） |
在高度不平衡的分类任务中，下采样是一个简单且常见的解决方案。与模型调参、特征选择配合使用，能取得不错的效果。
所以本专栏还有过采样（OverSampling）文章
完整代码：
import pandas as pd
from sklearn import metrics
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler# 读取信用卡欺诈数据集
data = pd.read_csv('creditcard.csv')# 标准化 Amount 字段（转换为均值为0、标准差为1的分布）
scaler = StandardScaler()
data['Amount'] = scaler.fit_transform(data[['Amount']]) # 用标准化结果替换原始 'Amount'# 删除无关的 Time 字段
data = data.drop("Time", axis=1)# 将特征和标签分开
X = data.drop("Class", axis=1) # 特征变量
y = data.Class # 标签变量# 拆分原始数据为训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=100)# 在原始数据上训练逻辑回归模型
model = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model.fit(X_train, y_train)# 原数据的‘0’‘1’组成
labels_count = pd.value_counts(data['Class'])
print("原数据组成：\n",labels_count)
# 原始数据训练的模型，对原始测试集进行预测
print("‘原数据训练得到的模型’ 对 ‘原数据的测试集’ 的测试:")
predictions_test = model.predict(X_test)
print(metrics.classification_report(y_test, predictions_test)) # 输出分类评估指标# ============ 下采样处理开始 ============# 获取正常交易样本（Class=0）和欺诈交易样本（Class=1）
class_0 = data[data['Class'] == 0]
class_1 = data[data['Class'] == 1]# 从正常交易中随机采样，数量与欺诈交易相同，实现类别平衡
class_0 = class_0.sample(len(class_1))# 合并下采样后的正常交易与全部欺诈交易
data_under = pd.concat([class_0, class_1])# 构建下采样数据的特征和标签
X_under = data_under.drop("Class", axis=1)
y_under = data_under.Class# 拆分下采样数据为训练集和测试集
X_train_under, X_test_under, y_train_under, y_test_under = train_test_split(X_under, y_under, test_size=0.3, random_state=100)# 使用下采样数据训练逻辑回归模型
model_under = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model_under.fit(X_train_under, y_train_under)# 下采样数据的‘0’‘1’组成
labels_count_under = pd.value_counts(data_under['Class'])
print("下采样数据组成：\n",labels_count_under)
# 用下采样模型对原始测试集进行预测
print("‘下采样数据训练得到的模型’ 对 ‘原数据的测试集’ 的测试:")
predictions_test = model_under.predict(X_test)
print(metrics.classification_report(y_test, predictions_test)) # 输出评估报告
