SMOTE与SMOGN算法R语言代码

本文介绍基于
R
语言中的
UBL
包，读取
.csv
格式的
Excel
表格文件，实现
SMOTE
算法与
SMOGN
算法，对机器学习、深度学习回归中，
训练数据集不平衡
的情况加以解决的具体方法。

在之前的文章
SMOGN算法Python实现：解决回归分析中的数据不平衡
中，我们介绍了基于
Python
语言中的
smogn
包，实现
SMOGN
算法，对机器学习、深度学习回归中
训练数据集不平衡
的情况加以解决的具体方法；而我们也在上述这一篇文章中提到了，
SMOGN
算法的
Python
实现实在是太慢了，且
Python
还无法较为方便地实现回归数据的
SMOTE
算法。因此，我们就在本文中介绍一下基于
R
语言中的
UBL
包，实现
SMOTE
算法与
SMOGN
算法的方法。对于这两种算法的具体介绍与对比，大家参考上述提到的这一篇文章即可，这里就不再赘述了。

首先，我们配置一下所需用到的
R
语言
UBL
包。包的下载方法也非常简单，我们输入如下的代码即可。

install.packages("UBL")

输入代码后，按下
回车
键，运行代码；如下图所示。

接下来，我们即可开始代码的撰写。在这里，我们最好通过如下的方式新建一个
R
语言脚本（我这里是用的
RStudio
）；因为后期执行算法的时候，我们往往需要对比多种不同的参数搭配效果，通过脚本来运行代码会比较方便。

其中，我们需要的代码如下所示。

library(UBL)
csv_path <- r"(E:\01_Reflectivity\99_Model_Training\00_Data\02_Extract_Data\26_Train_Model_New\Train_Model_0710.csv)"
result_path <- r"(E:\01_Reflectivity\99_Model_Training\00_Data\02_Extract_Data\26_Train_Model_New\Train_Model_0710_smote_nir.csv)"
data <- read.csv(csv_path)
data_nona <- na.omit(data)
data_nona$PointType <- as.factor(data_nona$PointType)
data_nona$days <- as.factor(data_nona$days)

data_smote <- SmoteRegress(inf_dif~., data_nona, dist = "HEOM", C.perc = "balance")
data_smogn <- SMOGNRegress(inf_dif~., data_nona, thr.rel = 0.6, dist = "HEOM", C.perc = "extreme")

hist(data_nona$inf_dif, breaks = 50)
hist(data_smote$inf_dif, breaks = 50)
hist(data_smogn$inf_dif, breaks = 50)

write.csv(data_smogn, file = result_path, row.names = FALSE)
write.csv(data_smote, file = result_path, row.names = FALSE)

其中，上述代码的具体含义如下。

首先，通过
library(UBL)
将我们刚刚配置好的
UBL
包加以加载，该包提供了处理不平衡数据的函数和算法；随后，我们可以设置输入的
.csv
格式文件的路径，这一文件中存储了我们需要加以处理的数据；随后，我们设置输出的
.csv
格式文件的路径，这一文件就是我们加以处理后的结果数据。

接下来，我们使用
read.csv
函数读取输入的
.csv
格式文件，并将其存储在变量
data
中。其后的
data_nona <- na.omit(data)
代码表示，去除数据中的缺失值，将处理后的数据保存在
data_nona
中。随后，这里需要注意，由于我们的输入数据中含有
数值型的类别变量
，因此需要将其转换为因子（
factor
）类型，这样才可以被
UBL
包识别为类别变量。

接下来，第一个函数
SmoteRegress()
就是使用
SMOTE
算法对
data_nona
进行回归任务的不平衡处理——其中
inf_dif
是目标变量（因变量），
~.
表示使用所有其他列作为特征（自变量），
dist = "HEOM"
表示使用
HEOM
（Heterogeneous Euclidean-Overlap Metric）距离度量（注意，只要我们的输入数据中有类别变量，那么就需要用这一种距离表示方式），最后的
C.perc = "balance"
表示平衡类别比例。

随后的
SMOGNRegress()
函数，则是使用
SMOGN
算法对
data_nona
进行回归任务的不平衡处理——其中
thr.rel = 0.6
表示设置相对阈值为
0.6
，这个参数设置的越大，算法执行的程度越深；其他参数则和前一个函数类似。这里如果大家需要对两个函数的参数加以更进一步的理解，可以直接访问其
官方网站
。

最后，为了比较一下我们执行
SMOTE
算法与
SMOGN
算法的结果，可以绘制一下
data_nona
中，目标变量
inf_dif
的直方图，
breaks = 50
表示将直方图分成
50
个条块。

如果通过直方图确定我们算法处理后的数据可以接受，那么就可以将处理结果数据写入到输出的
.csv
格式文件，
row.names = FALSE
表示不保存行索引。

执行上述代码后，我们可以实际看一下三个直方图的结果情况。首先，是处理前的数据，如下图所示。

其次，是
SMOTE
算法处理后的数据，如下图所示。

最后，是
SMOGN
算法处理后的数据，如下图所示。

基于以上图片可以很清楚地看出，
SMOTE
算法与
SMOGN
算法确实对于原始的数据分布而言，有着明显的改变作用。

至此，大功告成。