欠采样代码

欠采样（undersampling）是一种减少数据集中某些类别样本数量的方法，以解决类别不平衡（class imbalance）的问题。下面是一个简单的欠采样代码实现：

import numpy as np
from collections import Counter

def undersample(X, y, ratio=1.0):
    """
    X: 特征矩阵，shape为(n_samples, n_features)
    y: 标签，shape为(n_samples,)
    ratio: 欠采样后负样本占比，默认为1.0，即正负样本数量相等
    """
    # 统计类别数量
    counter = Counter(y)
    n_neg = counter[0]  # 负样本数量
    n_pos = counter[1]  # 正样本数量
    
    # 计算欠采样后负样本数量
    n_neg_undersample = int(n_pos * ratio)
    if n_neg_undersample > n_neg:
        raise ValueError("Undersample ratio is too large.")
        
    # 从负样本中随机抽取n_neg_undersample个样本
    neg_indices = np.where(y == 0)[0]
    neg_indices_undersample = np.random.choice(neg_indices, size=n_neg_undersample, replace=False)
    
    # 合并正负样本的索引
    indices_undersample = np.concatenate([neg_indices_undersample, np.where(y == 1)[0]])
    
    # 返回欠采样后的数据
    return X[indices_undersample], y[indices_undersample]

使用示例：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 生成一个不平衡的二分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, weights=[0.9, 0.1], random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 欠采样训练集
X_train_undersample, y_train_undersample = undersample(X_train, y_train, ratio=0.5)

# 训练逻辑回归模型
clf = LogisticRegression(random_state=42)
clf.fit(X_train_undersample, y_train_undersample)

# 在测试集上评估模型性能
y_pred = clf.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

欠采样后，负样本占比为正样本的50%，可以根据实际情况调整占比。需要注意的是，欠采样可能会导致数据丢失，因此需要谨慎使用。