Losowe próbkowanie nadmierne

Tylko niewielki ułamek przelewów kredytowych to oszustwa. Teraz zastosujesz próbkowanie nadmierne przypadków fraudu, aby wyrównać rozkład klas. Cecha Class w zbiorze danych creditcard przyjmuje wartość 1 w przypadku oszustwa i 0 w przeciwnym razie.

Możesz użyć konsoli, aby wyświetlić kolumny zbioru creditcard za pomocą str(), wydrukować pierwsze 6 wierszy za pomocą head() i sprawdzić balans klasy za pomocą table(creditcard$Class).

To ćwiczenie jest częścią kursu

Wykrywanie oszustw w R

Zobacz kurs

Instrukcje do ćwiczenia

Załaduj pakiet ROSE.
Określ n_new jako wymaganą liczbę obserwacji w zbiorze po próbkowaniu nadmiernym, tak aby nowy zbiór składał się w 30% z przypadków fraudu i w 70% z prawidłowych transakcji. W tym celu podziel istniejącą liczbę prawidłowych przypadków przez pożądany odsetek prawidłowych przypadków w zbiorze po próbkowaniu nadmiernym.
Użyj funkcji ovun.sample() do próbkowania nadmiernego, podając Class ~ . jako formułę.
Sprawdź balans klas w zbiorze po próbkowaniu nadmiernym.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Load ROSE
___

# Calculate the total number of required cases in the over-sampled dataset
print(table(creditcard$Class))
n_new <- ___

# Over-sample
oversampling_result <- ___(formula = ___, data = ___,
                           method = ___, N = ___, seed = 2018)

# Verify the Class-balance of the over-sampled dataset
oversampled_credit <- oversampling_result$data
prop.table(___(___))

Edytuj i uruchom kod