下采样：机器学习——下采样（UnderSampling），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）

---

解决样本不平衡问题：SMOTE 过采样实战讲解

在实际的机器学习任务中，数据集往往存在类别不平衡问题，尤其是在信用卡欺诈检测、疾病预测等场景中，正样本极其稀少。若不处理这一问题，模型更倾向于预测多数类，导致 recall 值（召回率）偏低。

SMOTE 的核心思想是：不是复制已有少数类样本，而是通过“插值”方式生成新的样本点，使少数类样本在特征空间中更丰富、分布更自然。

说白了就是在每两个同类别的点之间插入新点，也同样是此类别

工作步骤如下：

1. 找邻居：
   对于每一个少数类样本，SMOTE 会在该类中找到若干个（如 5 个）“最近邻”样本。

2. 随机选择邻居：
   从这几个邻居中，随机选一个作为“参考点”。

3. 插值生成新样本：
   在原样本和参考点之间，以一定比例随机插值，生成一个“新的样本点”。
   也就是说，这个新样本不是原样本的复制，也不是邻居样本的复制，而是它们之间的“连线上的点”。

   数学公式如下（对特征向量来说）：

   

   • xi​：原始少数类样本

   • xn​：其某个邻居

   • λ：0~1之间的随机数，决定插值比例

4. 重复以上过程，直到少数类样本数量和多数类一样多，达到“类别平衡”。

本篇文章将通过信用卡欺诈检测数据集（creditcard.csv），演示如何使用 SMOTE 方法对训练集进行过采样，并对比模型在过采样前后的性能表现差异。

---

一、引入所需模块

import numpy as np
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
# from imblearn.over_sampling import SMOTE # 过采样

---

二、数据预处理

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）

     

读取数据并标准化金额列

# 读取信用卡欺诈数据集
data = pd.read_csv('creditcard.csv')# 对“Amount”金额列进行标准化（均值为0，标准差为1）
scaler = StandardScaler()
data['Amount'] = scaler.fit_transform(data[['Amount']])# 删除无关的“Time”列
data = data.drop("Time", axis=1)

特征与标签划分

# 分离特征和目标变量
X = data.drop("Class", axis=1)  # 特征变量
y = data.Class                  # 目标变量（是否欺诈）

划分训练集与测试集

# 将数据划分为训练集和测试集，比例为7:3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=100)

---

三、原始数据模型训练与评估

# 使用原始训练数据训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

查看原始类别分布

# 查看原始数据中正负样本（欺诈/正常交易）的数量
labels_count = pd.value_counts(data['Class'])
print("原数据组成：\n", labels_count)

结果：

在原始测试集上评估模型

# 在原始测试集上评估原始模型的性能
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))

这种情况下，模型可能在类别为“1”（欺诈）的召回率较低，常见表现为：

• precision 较高，但 recall 偏低

• 模型倾向于预测为正常交易

---

四、使用 SMOTE 进行过采样

进行训练集过采样

# ======================== 使用 SMOTE 过采样 ========================
from imblearn.over_sampling import SMOTE
# 对训练数据进行过采样，使正负样本数量相同
oversampler = SMOTE(random_state=100)
X_train_os, y_train_os = oversampler.fit_resample(X_train, y_train)

⚠ 注意：测试集不要过采样，保持原始分布才能真实评估模型性能。

查看过采样后的数据组成

# 查看过采样后训练数据中正负样本的数量
labels_count_under = pd.value_counts(y_train_os)
print("下采样数据组成：\n", labels_count_under)

示例输出：199014为284807的%70

原理步骤：

1. 对每个少数类样本，找到其最近的 k 个同类邻居（默认 k=5）

2. 随机选取若干邻居点

3. 在原样本和邻居之间插值生成“合成样本”（就是在两两之间多插入几个数据）

4. 不是复制已有样本，而是生成新的样本点，更丰富、更自然

---

五、使用过采样数据训练模型

# 使用过采样后的数据重新训练逻辑回归模型
model_os = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model_os.fit(X_train_os, y_train_os)

在原始测试集上评估新模型

# 在原始测试集上评估过采样模型的性能
print("‘过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_os.predict(X_test)
print(metrics.classification_report(y_test, predictions_test))

评估对比与说明

指标/类别	原模型	过采样模型	解读
类别 1 Recall（召回率）	0.65	0.88 ✅	过采样显著提高了识别能力
类别 1 Precision（精准率）	0.77 ✅	0.06 ❌	误报大幅增加，很多 0 被错判为 1（宁杀错）
类别 1 F1-score（平衡指标）	0.70 ✅	0.11 ❌	整体准确性下降
类别 0 Recall	1.00 ✅	0.98	正常交易略受影响
总体 Accuracy	1.00 ✅	0.98	正确率略下降
Macro avg Recall	0.82	0.93 ✅	两类平均召回提升

---

六、结果对比分析

指标	原始模型	SMOTE过采样模型
Precision（1类）	较高	较高
Recall（1类）	较低	明显提升
F1-score（1类）	偏低	显著提升
Accuracy	接近1	可能略有下降

🎯 结论：SMOTE 有效提高了模型对少数类（欺诈行为）的识别能力，在保持总体准确率的同时显著改善了 recall 和 F1-score，是处理不平衡问题的有效方法之一。

---

七、总结与建议

• SMOTE（Synthetic Minority Over-sampling Technique）通过生成新的少数类样本来平衡数据分布，是一种优于简单复制的过采样方式。

• 在不平衡数据场景中，评估指标应以 recall/F1-score 为主，而非 accuracy。

• SMOTE 适合用于训练集，而不应作用于测试集。

• 逻辑回归 + SMOTE 是一种简单有效的基线方案，可用于模型初步构建与对比。

---

完整代码：

import numpy as np
import pandas as pd
from sklearn import metrics
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler# 读取信用卡欺诈数据集
data = pd.read_csv('creditcard.csv')# 对“Amount”金额列进行标准化（均值为0，标准差为1）
scaler = StandardScaler()
data['Amount'] = scaler.fit_transform(data[['Amount']])# 删除无关的“Time”列
data = data.drop("Time", axis=1)# 分离特征和目标变量
X = data.drop("Class", axis=1)  # 特征变量
y = data.Class                  # 目标变量（是否欺诈）# 将数据划分为训练集和测试集，比例为7:3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=100)# 使用原始训练数据训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)# 查看原始数据中正负样本（欺诈/正常交易）的数量
labels_count = pd.value_counts(data['Class'])
print("原数据组成：\n", labels_count)# 在原始测试集上评估原始模型的性能
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))# ======================== 使用 SMOTE 过采样 ========================
from imblearn.over_sampling import SMOTE
# 对训练数据进行过采样，使正负样本数量相同
oversampler = SMOTE(random_state=100)
X_train_os, y_train_os = oversampler.fit_resample(X_train, y_train)# 使用过采样后的数据重新训练逻辑回归模型
model_os = LogisticRegression(C=10, penalty='l2', max_iter=1000)
model_os.fit(X_train_os, y_train_os)# 查看过采样后训练数据中正负样本的数量
labels_count_under = pd.value_counts(y_train_os)
print("过采样数据组成：\n", labels_count_under)# 在原始测试集上评估过采样模型的性能
print("‘过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_os.predict(X_test)
print(metrics.classification_report(y_test, predictions_test))