데이터 불균형이 발생할 때, 데이터 리샘플링하기

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sb

 

 

#당뇨병을 분류하는 모델

 

df

	Preg	Plas	Pres	skin	test	mass	pedi	age	class
0	6	148	72	35	0	33.6	0.627	50	1
1	1	85	66	29	0	26.6	0.351	31	0
2	8	183	64	0	0	23.3	0.672	32	1
3	1	89	66	23	94	28.1	0.167	21	0
4	0	137	40	35	168	43.1	2.288	33	1
...	...	...	...	...	...	...	...	...	...
763	10	101	76	48	180	32.9	0.171	63	0
764	2	122	70	27	0	36.8	0.340	27	0
765	5	121	72	23	112	26.2	0.245	30	0
766	1	126	60	0	0	30.1	0.349	47	1
767	1	93	70	31	0	30.4	0.315	23	0

 

df['class']의 의미 ?

(1:당뇨이다, 0:당뇨가 아니다)

 

 

 

nan 정리하기

 

비어있는 데이터는 없지만 비어있는 항목 대신 0으로 셋팅한 데이터이다

따라서, Plas 컬럼부터 mass컬럼까지는 0으로 셋팅된 값을 nan으로 만들려고 한다.

 

df.loc[  : , 'Plas' : 'mass' ]  = df.loc[  : , 'Plas' : 'mass' ].replace(0,np.nan)

df = df.dropna()

 

 

y와 X로 나누기

y = df['class']

X = df.loc[  : , 'Plas' : 'age' ]

 

 

y.value_counts()

class
0    262
1    130
Name: count, dtype: int64

 

 

당뇨가 아닌 사람은 262명, 당뇨인 사람은 130명 있다

이 수를 맞춰주고 싶다면

 

 

 

 

imblearn 라이브러리를 이용하여 리샘플링하기

 

! pip install imblearn

from imblearn.over_sampling import SMOTE

 

sm = SMOTE(random_state=5)

X, y = sm.fit_resample(X, y)

 

y.value_counts()

class
0    262
1    262
Name: count, dtype: int64