使用R语言ROSE包处理德国信用风险不平衡数据集时预测变量被修改的求助

问题本质 #

ROSE包的核心逻辑是生成合成样本——它会基于原始数据的特征分布，对预测变量进行调整来构建新的平衡数据集，所以你看到预测变量被修改是该包的正常行为。如果你的需求是保留原始预测变量的分布，仅调整目标变量的样本比例，ROSE并非最优选择。

替代解决方案 #

1. 过采样：SMOTE算法 #

SMOTE针对少数类样本，基于其近邻生成新的合成样本，不会改动原始多数类的预测变量：

# 加载依赖包
library(DMwR)
library(caret)

# 确保目标变量为因子类型
ds$CreditStatus <- as.factor(ds$CreditStatus)

# 生成平衡数据集
set.seed(1)
ds_balanced <- SMOTE(CreditStatus ~ ., data = ds, perc.over = 200, perc.under = 150)

• perc.over：少数类过采样比例（200代表每个少数类样本生成2个新样本）
• perc.under：多数类欠采样比例（150代表为每个新生成的少数类样本，从多数类中选取1.5个样本）

2. 欠采样：随机裁剪多数类样本 #

若数据集规模足够大，可直接随机删除多数类样本，完全保留原始特征分布：

set.seed(1)
# 分离少数类与多数类样本
minority <- subset(ds, CreditStatus == levels(ds$CreditStatus)[2])
majority <- subset(ds, CreditStatus == levels(ds$CreditStatus)[1])

# 抽取与少数类数量匹配的多数类样本
majority_sampled <- majority[sample(nrow(majority), nrow(minority)), ]

# 合并得到平衡数据集
ds_balanced <- rbind(minority, majority_sampled)

3. 不修改数据：使用对不平衡鲁棒的模型 #

如果不想改动原始数据集，可直接采用适配不平衡场景的模型：

• 加权模型：给少数类样本赋予更高权重，以抵消数量劣势

# 计算权重：少数类权重为多数类样本数/少数类样本数，多数类权重为1
weight <- ifelse(ds$CreditStatus == levels(ds$CreditStatus)[2], 
                 nrow(subset(ds, CreditStatus == levels(ds$CreditStatus)[1]))/nrow(subset(ds, CreditStatus == levels(ds$CreditStatus)[2])),
                 1)

# 训练加权逻辑回归模型
model <- glm(CreditStatus ~ ., data = ds, weights = weight, family = binomial)

• 树模型：XGBoost、LightGBM等内置scale_pos_weight参数，可直接适配不平衡数据

平衡效果验证 #

处理完成后，可通过以下代码确认目标变量的分布：

table(ds_balanced$CreditStatus)

内容的提问来源于stack exchange，提问作者Amanda