R 4版本下实现类别不平衡数据过采样的方法咨询

旧版unbalanced包的ubBalance函数已经长期未维护，在R4环境下很容易出现依赖报错、运行异常的问题，以下是几个适配R4版本、操作简便的过采样方案：

1. 用caret包实现快速随机过采样 #

caret是目前R机器学习领域通用的预处理包，内置的upSample函数开箱即用，不需要复杂配置：

• 安装加载包（首次使用需安装）

install.packages("caret")
library(caret)

• 执行过采样

# 传入特征列和标签列，自动对少数类做有放回抽样平衡类别
df_balanced <- upSample(
  x = df[, c("x1", "x2")],
  y = df$y,
  yname = "y"
)

# 校验平衡后的类别分布
table(df_balanced$y)

运行后得到的数据集里Yes和No类各90条，直接满足类别平衡要求。

2. 用themis包实现SMOTE等高级过采样 #

如果觉得随机过采样容易过拟合，需要用SMOTE、ADASYN这类合成少数类样本的算法，可以选themis包，属于tidymodels生态，维护活跃适配R4全版本：

• 安装加载

install.packages("themis")
library(themis)

• SMOTE过采样示例

df_smote <- smote(df, y ~ ., over_ratio = 1)
table(df_smote$y)

参数over_ratio控制采样后少数类和多数类的样本量比例，设为1就是完全平衡，设为0.5就是少数类样本量为多数类的一半，可以根据建模需求调整。

3. 无依赖手动实现随机过采样 #

如果不想额外安装第三方包，用基础R代码几行就能实现随机过采样：

# 拆分多数类、少数类样本
major <- df[df$y == "Yes", ]
minor <- df[df$y == "No", ]

# 对少数类做有放回抽样，样本量对齐多数类
minor_over <- minor[sample(nrow(minor), nrow(major), replace = T), ]

# 合并得到平衡数据集
df_manual <- rbind(major, minor_over)
table(df_manual$y)

提示：如果数据集本身样本量很小，随机过采样会因为重复采样提升过拟合风险，这种场景优先选SMOTE类的合成采样方法。

内容的提问来源于stack exchange，提问作者Lee