科研有捷徑，輸入代碼，一鍵獲取科研成果！就是這么省事，來具體看下有多方便！

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側(cè)【目錄】，可以看到更多有趣的代碼；真香提示：文末可以知道如何獲取代碼~?

在數(shù)據(jù)分析時，往往存在數(shù)據(jù)的不平衡性。比如我們有600多例良性腫瘤和1800例惡性腫瘤，很明顯陽性數(shù)據(jù)和陰性數(shù)據(jù)不等，這樣必然會使得分析結(jié)果產(chǎn)生偏倚。而SMOTE就是一種可以糾正這種不平衡數(shù)據(jù)偏倚的算法。

處理有不平衡數(shù)據(jù)的最簡單的方法是隨機復制，然而隨機復制往往會導致過度擬合，從而影響模型效果?，F(xiàn)在的做法一般有兩種：一是去除訓練數(shù)據(jù)集多數(shù)分類中的樣本數(shù)，即欠抽樣；二是形成新的樣本從而平衡數(shù)據(jù)，即過抽樣。而欠抽樣往往會導致樣本中一些隱含的信息丟失，所以過抽樣的算法應用地更為廣泛。

SMOTE（Synthetic minoritye over-sampling technique,SMOTE）是Chawla在2002年提出的過抽樣的算法，其核心思想是在一些位置相近的少數(shù)類樣本中插入新樣本來達到平衡樣本的目的，特點是算法是增加新的不存在的樣例，因此一定程度上避免了分類器過度擬合。

這里，主要介紹如何用R包實現(xiàn)SMOTE算法解決數(shù)據(jù)不平衡的問題：

1. 安裝載入DMwR

rm(list=ls())

install.packages(“DMwR”,dependencies=T)

library(DMwR)

2. 讀入數(shù)據(jù)

data=read.csv(“data.csv”,header=T)

3. SMOTE處理

在SMOTE算法中，會對多數(shù)樣本進行欠抽樣，少數(shù)樣本進行過抽樣。

newdata=SMOTE(formula,data,perc.over=,perc.under=)

formula:設定數(shù)據(jù)集中的自變量和分組變量

data:指定處理的數(shù)據(jù)集

perc.over,perc.under選項分別定義過抽樣和欠抽樣的次數(shù)。

4. 整理數(shù)據(jù)

使用table()查看陽性數(shù)據(jù)和陰性數(shù)據(jù)的比例。

table(“data$class”)

有興趣的讀者可嘗試以下代碼，可以看到樣本數(shù)目少的分組經(jīng)過SMOTE算法的處理，實現(xiàn)了樣例的增加。

以上就是小編的分享內(nèi)容，如果您苦于沒有思路不知道如何來入手生信分析，或者需要一些熱門生信手段的代碼，可以聯(lián)系小云~