不平衡數(shù)據(jù)集的分類(lèi)研究在醫(yī)療數(shù)據(jù)方面的應(yīng)用

田波 沈江明 張德鑫 曾志勇

（1.中國(guó)電信股份有限公司云南分公司 云南省昆明市 650000）

（2.云南省高校數(shù)據(jù)化運(yùn)營(yíng)管理工程研究中心 云南省昆明市 650000 3.云南財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與數(shù)學(xué)學(xué)院 云南省昆明市 650000）

（4.云南財(cái)經(jīng)大學(xué)信息學(xué)院 云南省昆明市 650000）

1 理論知識(shí)

1.1 SMOTE過(guò)采樣

SMOTE 過(guò)采樣技術(shù)是由Chawle[4][3]和他的團(tuán)隊(duì)率先提出，該技術(shù)是通過(guò)在兩個(gè)少數(shù)類(lèi)樣本之間隨機(jī)選擇一個(gè)新樣本作為少數(shù)類(lèi)樣本，以此循環(huán)往復(fù)，通過(guò)這種人工合成新樣本的方式不斷擴(kuò)充少數(shù)類(lèi)樣本的數(shù)量，直至樣本數(shù)據(jù)平衡為止。

1.2 ENN欠采樣

ENN 欠采樣屬于一種將多數(shù)類(lèi)樣本進(jìn)行刪減，使得原本的多數(shù)類(lèi)樣本和少數(shù)類(lèi)樣本在數(shù)量上盡可能的保持一定的平衡的欠采樣方法，它主要對(duì)于其中的多數(shù)類(lèi)選定樣本，通過(guò)觀察該樣本附近k個(gè)近鄰點(diǎn)，如果附近的k 個(gè)近鄰樣本中有超過(guò)一半的樣本和該樣本不屬于同一個(gè)類(lèi)別，那么就將該樣本進(jìn)行相應(yīng)的剔除。

1.3 隨機(jī)森林算法

隨機(jī)森林算法是集成方法bagging 流派中的典型代表，該算法將原始數(shù)據(jù)集通過(guò)有放回抽樣的方式對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，通過(guò)多個(gè)決策樹(shù)并行運(yùn)算，輸出各自的預(yù)測(cè)值，然后通過(guò)投票選擇法，少數(shù)服從多數(shù)的原則，確定最后的輸出結(jié)果。

1.4 Catboost算法

Catboost 采用特殊的方式處理類(lèi)別型特征，首先對(duì)類(lèi)別特征做一些統(tǒng)計(jì)，計(jì)算某個(gè)類(lèi)別特征出現(xiàn)的頻率，之后加上超參數(shù)，生成新的數(shù)值型特征。Catboost 還使用了組合類(lèi)別特征，可以利用到特征之間的聯(lián)系，而且基模型采用的是對(duì)稱樹(shù)，同時(shí)計(jì)算葉子結(jié)點(diǎn)方式和傳統(tǒng)的boosting 算法通過(guò)平均值的計(jì)算方式也不一樣，由于在這方面做了優(yōu)化，而這些改進(jìn)都能防止模型過(guò)擬合。

1.5 評(píng)價(jià)指標(biāo)

關(guān)于分類(lèi)問(wèn)題的研究，本文將整體分類(lèi)率、查準(zhǔn)率、召回率、f1-度量和auc 值作為模型分類(lèi)效果的評(píng)價(jià)指標(biāo)。

如表1所示，根據(jù)混淆矩陣可以得到以下指標(biāo)，準(zhǔn)確率度量的是所有預(yù)測(cè)樣本當(dāng)中預(yù)測(cè)正確的比例，但是在面對(duì)不平衡數(shù)據(jù)集的時(shí)候，準(zhǔn)確率作為最重要的評(píng)價(jià)指標(biāo)[6]，就會(huì)缺乏合理性，計(jì)算公式Accuracy=(TP+TN)/(TP+FN+FP+TN)。查準(zhǔn)率主要度量所有預(yù)測(cè)為正類(lèi)的樣本當(dāng)中，被判斷正確的一個(gè)比例值，計(jì)算公式Precision=TP/(TP+FP)。召回率主要度量正類(lèi)樣本當(dāng)中會(huì)有多少是被預(yù)測(cè)為正類(lèi)樣本的，在不平衡數(shù)據(jù)集當(dāng)中，該評(píng)價(jià)指標(biāo)更加關(guān)注的是對(duì)于少數(shù)類(lèi)的預(yù)測(cè)準(zhǔn)確率，計(jì)算公式Recall=TP/(TP+FN)。F1-度量主要是針對(duì)查準(zhǔn)率和召回率的調(diào)和平均指標(biāo)，通過(guò)F1-度量可以知道查準(zhǔn)率和召回率兩者的側(cè)重關(guān)系，具體的計(jì)算公式F1=2(Precision*Recall)/(Precision+Recall)，針對(duì)不平衡數(shù)據(jù)集，F(xiàn)1-度量作為分類(lèi)模型主要的評(píng)價(jià)指標(biāo)，AUC 值是ROC 曲線下的面積值，用來(lái)評(píng)價(jià)分類(lèi)學(xué)習(xí)器的模型泛化能力。

2 數(shù)據(jù)來(lái)源與數(shù)據(jù)不平衡特征

2.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)真實(shí)來(lái)自于醫(yī)院，主要有14 個(gè)特征字段，存在著不平衡的現(xiàn)象，少數(shù)類(lèi)和多數(shù)類(lèi)達(dá)到了2:8 的比例，如果直接進(jìn)行模型訓(xùn)練和預(yù)測(cè)，那么即便模型不學(xué)習(xí)，只要將結(jié)果全部預(yù)測(cè)為多數(shù)類(lèi)，那么整體的準(zhǔn)確率也可以達(dá)到80%，但實(shí)際模型是不具備預(yù)測(cè)功能的。

3 仿真實(shí)驗(yàn)

3.1 SMOTEENN采樣處理

通過(guò)對(duì)原始數(shù)據(jù)集進(jìn)行一系列的數(shù)據(jù)預(yù)處理以及特征工程工作之后，為了測(cè)試訓(xùn)練模型的最終是否具有良好的預(yù)測(cè)效果，因此將已處理好的實(shí)驗(yàn)數(shù)據(jù)集按照7:3 的比例劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集主要用于前期模型的訓(xùn)練學(xué)習(xí)，本文通過(guò)SMOTEENN 采樣處理之后的數(shù)據(jù)集數(shù)量結(jié)果如表2所示。

通過(guò)上述結(jié)果可以看出，原始的訓(xùn)練數(shù)據(jù)集存在著不平衡現(xiàn)象，多數(shù)類(lèi)和少數(shù)類(lèi)的比列達(dá)到了大約4:1，經(jīng)過(guò)SMOTEENN 采樣處理之后，訓(xùn)練數(shù)據(jù)集的數(shù)量總量也由原來(lái)的77326 變成了110114，多數(shù)類(lèi)和少數(shù)類(lèi)的比例變得大致一樣。

3.1.1 隨機(jī)森林模型

由于隨機(jī)森林是集成方法當(dāng)中的優(yōu)良代表，本文就通過(guò)使用scikit-learn 庫(kù)中的隨機(jī)森林模型，將未經(jīng)采樣處理的訓(xùn)練數(shù)據(jù)集和經(jīng)過(guò)SMOTEENN 采樣處理的訓(xùn)練數(shù)據(jù)集通過(guò)隨機(jī)森林模型進(jìn)行學(xué)習(xí)訓(xùn)練，然后將未知的測(cè)試數(shù)據(jù)集通過(guò)已經(jīng)學(xué)習(xí)好的隨機(jī)森林模型進(jìn)行結(jié)果的預(yù)測(cè)，并輸出最后的評(píng)價(jià)指標(biāo)參數(shù)，結(jié)果如表3所示。

結(jié)果顯示，precision(查準(zhǔn)率)達(dá)到了99%，recall(召回率)達(dá)到了93%，f1-score（f1-度量）達(dá)到了96%，而另類(lèi)別1，也就是重點(diǎn)關(guān)注的少數(shù)類(lèi)，precision（查準(zhǔn)率）達(dá)到了78%，recall（召回率）達(dá)到了95%，f1-score（f1-度量）達(dá)到了86%，而總體分類(lèi)accuracy（精度）可達(dá)到94%，輸出AUC 值也達(dá)到了97%,說(shuō)明該模型的泛化效果是比較優(yōu)秀的。

3.1.2 Catboost 模型

通過(guò)將經(jīng)過(guò)SMOTEENN 采樣處理的Catboost 算法結(jié)果如表4所示。

對(duì)于多數(shù)類(lèi)類(lèi)別0，precision（查準(zhǔn)率）達(dá)到了99%，recall（召回率）達(dá)到了93%，f1-score（f1-度量）達(dá)到了96%，而另一邊的類(lèi)別1，也就是關(guān)注的少數(shù)類(lèi)，它的precision（查準(zhǔn)率）達(dá)到了78%，recall（召回率）達(dá)到了95%，f1-score（f1-度量）達(dá)到了86%，最后的accuracy（精度）也可以達(dá)到93%，而總體的precision（查準(zhǔn)率）達(dá)到了77.68%，recall（召回率）達(dá)到了95.38%，f1-score（f1-度量）達(dá)到了85.62%，處理之后的效果相對(duì)來(lái)說(shuō)也是最好的，輸出的AUC 值為99%，整體效果相比于隨機(jī)森林模型效果更好，說(shuō)明了Catboost 在處理分類(lèi)問(wèn)題上的優(yōu)良性能。

表1：混淆矩陣

表2：SMOTEENN 采樣處理不平衡數(shù)據(jù)

表3：經(jīng)SMOTEENN 混合采樣處理的隨機(jī)森林模型結(jié)果

表4：經(jīng)SMOTEENN 采樣處理的Catboost 模型結(jié)果

表5：各自模型結(jié)果對(duì)比

4 結(jié)論

經(jīng)過(guò)SMOTEENN 采樣之后可以大大提高對(duì)于關(guān)鍵的少數(shù)類(lèi)樣本的識(shí)別率，并通過(guò)集成方法當(dāng)中的隨機(jī)森林和Catboost 算法進(jìn)行對(duì)比分析，輸出結(jié)果如表5所示。

從上述結(jié)果可以看到，未經(jīng)采樣處理的隨機(jī)森林模型和Catboost 模型，這兩者對(duì)于少數(shù)類(lèi)的識(shí)別率(recall)都比較低，而經(jīng)過(guò)SMOTEENN 采樣處理之后，模型對(duì)于少數(shù)類(lèi)的識(shí)別率會(huì)有較大程度的提高，這說(shuō)明了SMOTEENN 采樣對(duì)于提升少數(shù)類(lèi)的識(shí)別率有很大的幫助，而且通過(guò)f1-score 指標(biāo)也可以看到，通過(guò)SMOTEENN 采樣處理之后的模型都高于未經(jīng)采樣處理的模型，而且Catboost 算法相比于隨機(jī)森林模型，f1-score 指標(biāo)最高，也說(shuō)明能更好的平衡少數(shù)類(lèi)的查準(zhǔn)率和召回率。并且從總體分類(lèi)準(zhǔn)確率可以看到，經(jīng)過(guò)采樣處理的模型雖然相比于未經(jīng)采樣處理的模型會(huì)有所降低，但是少數(shù)類(lèi)的識(shí)別率卻大大的提升，而且少數(shù)類(lèi)往往是關(guān)注的重點(diǎn)信息，因而也是可以理解的。

綜上所述，對(duì)于不平衡數(shù)據(jù)集，SMOTEENN 采樣可以大大提升對(duì)于少數(shù)類(lèi)的識(shí)別率。在分類(lèi)算法的選擇上，新出的Catboost 算法相比于以往的傳統(tǒng)分類(lèi)模型，分類(lèi)的效果會(huì)更加優(yōu)秀，可以進(jìn)一步提高對(duì)于少數(shù)類(lèi)的識(shí)別率，降低少數(shù)類(lèi)的誤判率，即減少關(guān)鍵信息的錯(cuò)判。對(duì)于現(xiàn)實(shí)生活中的不平衡數(shù)據(jù)現(xiàn)象，具有很好的借鑒意義。