本文介紹基於R語言中的UBL包，讀取.csv格式的Excel表格文件，實現SMOTE演算法與SMOGN演算法，對機器學習、深度學習回歸中，訓練數據集不平衡的情況加以解決的具體方法~ ...
本文介紹基於R語言中的UBL包，讀取.csv格式的Excel表格文件，實現SMOTE演算法與SMOGN演算法，對機器學習、深度學習回歸中，訓練數據集不平衡的情況加以解決的具體方法。
在之前的文章SMOGN演算法Python實現：解決回歸分析中的數據不平衡中，我們介紹了基於Python語言中的smogn包，實現SMOGN演算法，對機器學習、深度學習回歸中訓練數據集不平衡的情況加以解決的具體方法；而我們也在上述這一篇文章中提到了，SMOGN演算法的Python實現實在是太慢了，且Python還無法較為方便地實現回歸數據的SMOTE演算法。因此，我們就在本文中介紹一下基於R語言中的UBL包，實現SMOTE演算法與SMOGN演算法的方法。對於這兩種演算法的具體介紹與對比，大家參考上述提到的這一篇文章即可，這裡就不再贅述了。
首先，我們配置一下所需用到的R語言UBL包。包的下載方法也非常簡單，我們輸入如下的代碼即可。
install.packages("UBL")
輸入代碼後，按下回車鍵，運行代碼；如下圖所示。
接下來，我們即可開始代碼的撰寫。在這裡，我們最好通過如下的方式新建一個R語言腳本（我這裡是用的RStudio）；因為後期執行演算法的時候，我們往往需要對比多種不同的參數搭配效果，通過腳本來運行代碼會比較方便。
其中，我們需要的代碼如下所示。
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，上述代碼的具體含義如下。
首先，通過library(UBL)將我們剛剛配置好的UBL包加以載入，該包提供了處理不平衡數據的函數和演算法；隨後，我們可以設置輸入的.csv格式文件的路徑，這一文件中存儲了我們需要加以處理的數據；隨後，我們設置輸出的.csv格式文件的路徑，這一文件就是我們加以處理後的結果數據。
接下來，我們使用read.csv函數讀取輸入的.csv格式文件，並將其存儲在變數data中。其後的data_nona <- na.omit(data)代碼表示，去除數據中的缺失值，將處理後的數據保存在data_nona中。隨後，這裡需要註意，由於我們的輸入數據中含有數值型的類別變數，因此需要將其轉換為因數（factor）類型，這樣才可以被UBL包識別為類別變數。
接下來，第一個函數SmoteRegress()就是使用SMOTE演算法對data_nona進行回歸任務的不平衡處理——其中inf_dif是目標變數（因變數），~.表示使用所有其他列作為特征（自變數），dist = "HEOM"表示使用HEOM（Heterogeneous Euclidean-Overlap Metric）距離度量（註意，只要我們的輸入數據中有類別變數，那麼就需要用這一種距離表示方式），最後的C.perc = "balance"表示平衡類別比例。
隨後的SMOGNRegress()函數，則是使用SMOGN演算法對 data_nona 進行回歸任務的不平衡處理——其中thr.rel = 0.6表示設置相對閾值為0.6，這個參數設置的越大，演算法執行的程度越深；其他參數則和前一個函數類似。這裡如果大家需要對兩個函數的參數加以更進一步的理解，可以直接訪問其官方網站。
最後，為了比較一下我們執行SMOTE演算法與SMOGN演算法的結果，可以繪製一下data_nona中，目標變數inf_dif的直方圖，breaks = 50表示將直方圖分成50個條塊。
如果通過直方圖確定我們演算法處理後的數據可以接受，那麼就可以將處理結果數據寫入到輸出的.csv格式文件，row.names = FALSE表示不保存行索引。
執行上述代碼後，我們可以實際看一下三個直方圖的結果情況。首先，是處理前的數據，如下圖所示。
其次，是SMOTE演算法處理後的數據，如下圖所示。
最後，是SMOGN演算法處理後的數據，如下圖所示。
基於以上圖片可以很清楚地看出，SMOTE演算法與SMOGN演算法確實對於原始的數據分佈而言，有著明顯的改變作用。
至此，大功告成。
