随机欠采样的代码都有哪几种

随机欠采样是一种简单有效的解决不平衡数据集问题的方法。以下是几种基于Python的随机欠采样方法的实现代码：

1. 随机欠采样（Random Under-Sampling）

from imblearn.under_sampling import RandomUnderSampler

# ratio: 欠采样后正负样本的比例
rus = RandomUnderSampler(sampling_strategy=ratio)
X_resampled, y_resampled = rus.fit_resample(X, y)

2. Tomek Links

from imblearn.under_sampling import TomekLinks

tl = TomekLinks(sampling_strategy='auto', n_jobs=-1)
X_resampled, y_resampled = tl.fit_resample(X, y)

3. One-Sided Selection

from imblearn.under_sampling import OneSidedSelection

oss = OneSidedSelection(sampling_strategy='auto', n_jobs=-1)
X_resampled, y_resampled = oss.fit_resample(X, y)

4. Neighborhood Cleaning Rule

from imblearn.under_sampling import NeighbourhoodCleaningRule

ncr = NeighbourhoodCleaningRule(sampling_strategy='auto', n_jobs=-1)
X_resampled, y_resampled = ncr.fit_resample(X, y)

这些方法都可以用于降低不平衡数据集中多数类样本的数量。需要注意的是，样本数量的过度下采样会导致信息丢失，因此应谨慎使用。