Sur-échantillonnage (Oversampling) des classes minoritaires avec RandomOverSampler de imblearn

Fonctions :

• RandomOverSampler()

  Le RandomOverSampler est utilisé pour effectuer un sur-échantillonnage des classes minoritaires dans un jeu de données déséquilibré. L'objectif est d'augmenter le nombre d'exemples dans la classe minoritaire en répliquant certains exemples existants, ce qui aide à équilibrer la distribution des classes et à améliorer la performance du modèle, notamment pour la classe minoritaire.

  Importation :

  from imblearn.over_sampling import RandomOverSampler

  Attributs :

  Paramètre	Description
  sampling_strategy	Stratégie de sur-échantillonnage. Peut être 'auto' pour équilibrer les classes, ou un nombre pour spécifier un ratio.
  random_state	Contrôle la reproductibilité de l'échantillonnage aléatoire. Par défaut, None.
  replacement	Détermine si le sur-échantillonnage est effectué avec ou sans remplacement. Par défaut, False.

  Exemple de code :

  📋 Copy

  from collections import Counter
  from imblearn.over_sampling import RandomOverSampler
  import numpy as np
  
  # Jeu de données déséquilibré : X contient des exemples, y leurs étiquettes/classes
  X = np.array([[1], [2], [3], [4], [5], [6]])
  y = np.array([0, 0, 0, 1, 1, 1])  # classes équilibrées pour l'exemple, modifions pour déséquilibre
  
  # Créons un déséquilibre volontaire
  y = np.array([0, 0, 0, 0, 1, 1])  # Classe 0 a 4 exemples, classe 1 a 2 exemples
  
  print(f"Répartition avant sur-échantillonnage : {Counter(y)}")
  
  # Initialisation du RandomOverSampler
  ros = RandomOverSampler(random_state=42)
  
  # Application du sur-échantillonnage
  X_resampled, y_resampled = ros.fit_resample(X, y)
  
  print(f"Répartition après sur-échantillonnage : {Counter(y_resampled)}")
  print(f"Données sur-échantillonnées : \n{X_resampled}")
  print(f"Labels sur-échantillonnés : \n{y_resampled}")

  

  Explication du code :

  • Importation des modules : Le code commence par importer Counter de collections pour compter les occurrences, RandomOverSampler de imblearn.over_sampling pour effectuer le sur-échantillonnage, et numpy sous l’alias np pour manipuler les tableaux de données.
  • Création du jeu de données : X est un tableau NumPy contenant des exemples avec une seule caractéristique, et y est un tableau d’étiquettes correspondant à ces exemples. Ici, y contient un déséquilibre volontaire avec 4 exemples de la classe 0 et 2 exemples de la classe 1.
  • Affichage de la répartition initiale : Counter(y) compte combien d’exemples il y a dans chaque classe avant le sur-échantillonnage. Le résultat est affiché pour montrer ce déséquilibre.
  • Initialisation du RandomOverSampler : On crée une instance de RandomOverSampler avec un random_state fixé pour assurer la reproductibilité des résultats.
  • Application du sur-échantillonnage : La méthode fit_resample() est appelée sur l’objet ros, prenant en entrée X et y. Cette méthode génère un nouveau jeu de données X_resampled et y_resampled où la classe minoritaire est augmentée par duplication aléatoire d’exemples.
  • Affichage du résultat : On utilise de nouveau Counter pour montrer la nouvelle répartition équilibrée des classes, puis on affiche les données et labels sur-échantillonnés pour visualiser les modifications.