OneSidedSelection方法概述
OneSidedSelection（OSS）是imbalanced-learn库中一种重要的欠采样技术，它结合了Tomek Links和Condensed Nearest Neighbor（CNN）方法，旨在解决类别不平衡问题。该方法首先移除边界样本（Tomek Links），然后对多数类样本进行CNN采样，最终得到一个更具代表性的数据集。
常见问题：样本代表性不足
在实际应用中，用户经常会遇到处理后的数据集失去原始数据代表性的问题。这主要表现在：
- 关键特征信息丢失：过度删除多数类样本导致模型无法学习重要模式
- 决策边界偏移：采样后的数据分布改变了原始数据的分类边界
- 模型泛化能力下降：在测试集上表现显著低于训练集
问题原因分析
样本代表性不足通常由以下因素导致：
- 参数配置不当：特别是n_neighbors和n_seeds_S参数设置不合理
- 数据预处理缺失：未对连续特征进行适当缩放或离散化
- 评估指标单一：仅依赖准确率而忽视召回率、F1-score等指标
解决方案
1. 参数优化策略
建议采用网格搜索确定最佳参数组合：
from imblearn.under_sampling import OneSidedSelection
from sklearn.model_selection import GridSearchCV
param_grid = {
'n_neighbors': [3, 5, 7],
'n_seeds_S': [50, 100, 200]
}
oss = OneSidedSelection()
grid = GridSearchCV(estimator=oss, param_grid=param_grid, cv=5)
grid.fit(X, y)2. 数据预处理增强
实施以下预处理步骤可显著改善结果：
- 标准化连续变量（StandardScaler）
- 对高基数分类变量进行目标编码（Target Encoding）
- 使用PCA降维减少噪声影响
3. 综合评估体系
建立多维度评估指标：
| 指标 | 说明 | 预期值 |
|---|---|---|
| ROC-AUC | 综合衡量分类能力 | >0.85 |
| G-mean | 几何平均召回率 | >0.7 |
| F1-Score | 精确率与召回率调和平均 | >0.65 |
最佳实践案例
在某信用卡欺诈检测项目中，应用优化后的OSS方法：
- 原始数据：284，807条交易，欺诈率0.172%
- 处理后：保留85%的多数类样本，100%少数类样本
- 模型效果：F1-score从0.45提升至0.78
与其他方法的对比
相比RandomUnderSampler和NearMiss等欠采样技术，OSS的优势在于：
- 保留更多边界信息
- 减少随机性带来的波动
- 更好地保持原始数据分布
注意事项
使用OSS时需要特别注意：
- 计算成本较高，大数据集需考虑采样策略
- 对噪声数据敏感，建议先进行异常值处理
- 类别极度不平衡时(如1:10000)，建议结合过采样技术