Krympa majoritetsgruppen

I stället för att öka antalet bedrägerifall i datamängden kan du slumpmässigt ta bort legitima transaktioner för att balansera datamängden. Vi ska undersamplare majoritetsklassen (Class = 0) i datamängden creditcard. Använd table() i konsolen för att se hur många bedrägliga och legitima transaktioner det finns i datamängden.

Den här övningen är en del av kursen

Bedrägeridetektering i R

Visa kurs

Övningsinstruktioner

Läs in ROSE-biblioteket.
Ange n_new som det antal fall som krävs i den undersamplade datamängden, så att den nya datamängden består av 40 % bedrägerifall. För detta dividerar du antalet bedrägerifall med den önskade andelen bedrägerifall i den undersamplade datamängden.
Undersamplare datamängden.
Använd table() och prop.table() för att kontrollera klassbalansen i den undersamplade datamängden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load ROSE
___

# Calculate the required number of cases in the over-sampled dataset
n_new <- ___

# Under-sample
undersampling_result <- ___(formula = ___, data = ___,
                           ___ = ___, ___ = ___, seed = 2018)

# Verify the Class-balance of the under-sampled dataset
undersampled_credit <- undersampling_result$___
___(___(___))

Redigera och kör kod