Imbalanced

1. Undersampling

1-1. Random Undersampling

말그래돌 다수 데이터를 소수 데이터의 개수에 맞추어 랜덤으로 적게 뽑는 방식이다. 다수 클래스의 정보가 소수 클래스의 정보를 압도하는 것을 막기 위함이다.

1-2. Tomek’s Link

가장 가까운 데이터가 다른 클래스일 경우, 한 쌍으로 묶고 이를 토멕 링크라고 부른다. 그중에서 다수 클래스에 속한 데이터를 제거하는 방식이다.

1-3. CNN (Condensed Nearest Neighbors)

소수 클래스 데이터는 그대로 유지한다.
다수 클래스 데이터는, 1NN(KNN에서 K를 1로 설정한 것)에서 NN이 소수 클래스에 속하면 남기고 아니면 제거한다.

1-4. One Sided Selection

Tomek’s Link + CNN(Condensed Nearest Neighbors)
Tomek’s Link를 먼저 적용하고 CNN을 이어서 적용하는 방법이다.

1-5. ENN (Edited Nearest Neighbors)

다수 클래스 데이터 중에서 K개의 NN이 다수 클래스이면 삭제하는 방식이다. 단, K개의 NN이 모두 다수 클래스일 때 삭제하는 방법(kind_sel="all")이 있고, 과반수 이상일 경우 삭제하는 방법(kind_sel="mode")이 있다.

1-6. Neighborhood Cleaning Rule

CNN(Condensed Nearest Neighbors) + ENN(Edited Nearest Neighbors)

2. Oversampling

2-1. Random Oversampling

소수 데이터를 랜덤으로 복제하여 다수 데이터와 개수를 맞추는 방식이다.

2-2. ADASYN

ADASYN은 Adaptive Synthetic Sampling의 약자이다. 소수 데이터 중에서 KNN을 골라서 직선상의 데이터를 생성하는 방식이다.

2-3. SMOTE

SMOTE는 Synthetic Minority Oversampling Technique의 약자이다. ADASYN처럼 소수 클래스 데이터를 활용하여 데이터를 생성하지만, 대신에 무조건 소수 데이터라고 하지 않고 분류 모형에 따라 클래스를 구분한다는 것이 차이점이다.

3. Hybrid

3-1. SMOTE + ENN

3-2. SMOTE + Tomek’s Link

—

위 방법론들은 모두 python 라이브러리 중에서 imblearn에서 모두 구현이 되어있다.

—

Reference

[1] 참고사이트

Imbalanced Dataset