참고 블로그(8 Tactics to Combat Imbalanced Classes in Your Machine Learning Dataset) 링크
블로거 링크

아직 데이터 사이언스에 입문한지 오래되지는 않았지만, 개인 프로젝트로 인스타그램 데이터를 크롤링하여 작업하면서 비대칭 데이터 문제(Imbalanced Data) 에 부딪혔다.

생각해보면 현실세계에서 우리가 예측하고자 하는 클래스가 Uniform하게 분포되어있을 확률은 낮은 것이 당연하다.

비대칭 데이터란?

비대칭 데이터는 일반적으로 분류 문제에서 클래스들이 균일하게 분포하지 않은 문제를 의미한다.

간단한 예를 들자면, 100개의 과일 사진 중에 사과 사진이 90개, 귤 사진이 10개인 경우다.

이 경우라면 100개 중에 랜덤하게 뽑은 사진이 무슨 사진인지 맞춰야 한다면 사과라고 말하는 것이 가장 합리적일 것이다. 이것이 비대칭 데이터에서 일어나는 가장 큰 문제점이다.

비대칭 데이터 문제를 다루는 8가지 전략

이제 비대칭 문제에 대해서는 이해했을 것이다. 이제 문제를 해결하기 위해 취해야 할 전략(서두에서 링크한 블로그에서 소개한 8가지 전략)을 알아보자.

1. 데이터를 더 모을 수 있나?

너무 당연한 질문! 더 많은 데이터는 당연히 조금은 더 클래스 대칭적인 결과를 제공할 것이므로..

2. 평가 기준을 바꿔보자.

Accuracy 는 비대칭 문제에서는 사용하면 안되는 평가 기준이다(Accuracy Paradox를 참고하자).

원문 저자는 자신의 포스트 Classification Accuracy is Not Enough: More Performance Measures You Can Use 에서 소개한 평가기준들을 추천했다.

  • Confusion Matrix:
    예측 결과를 테이블 형태로 보여준다.
  • Precision:
    Positive 클래스에 속한다고 출력한 샘플 중 실제로 Positive 클래스에 속하는 샘플 수의 비율
  • Recall
    실제 Positive 클래스에 속한 샘플 중에 Positive 클래스에 속한다고 출력한 표본의 수
  • F1 Score
    정밀도(Precision)과 재현율(Recall)의 가중 조화 평균

이 외에도

  • Kappa(or Cohen’s kappa)
    Accuracy를 정규화한 값으로 보여준다.
  • ROC Curves
    ROC(Receiver Operator Characteristic) 커브는 클래스 판별 기준값의 변화에 따른 위양성률(fall-out)과 재현율(recall)의 변화를 시각화한 것이다.

3. 데이터셋을 Re-샘플링하자.

데이터 셋을 변형시켜서 전체 클래스의 분포를 균일하게 만드는 방법으로 두 가지 방법이 있다.

  1. Over-sampling
  2. Under-sampling

둘 다 사용해보는 것을 추천한다.

비대칭 데이터 문제 <- 이 링크에서 다양한 샘플링 방법을 시각화해서 설명한 자료들이 있으니 확인하자.

1
2
3
# 다양한 샘플링 방법을 구현한 파이썬 패키지이다.

$pip install -U imbalanced-learn

4. 가짜 데이터 샘플을 만들자.

Over sampling의 기법은 가짜 데이터를 더 생성하는 것이니 위의 방법을 좀 더 발전시킨 전략이라고 보면 되겠다.

Naive Bayes 알고리즘을 사용할 경우에는 생성도 가능하니 이를 이용하거나, 가장 인기있는 방법인 SMOTE(Synthetic Minority Over-sampling Technique) 를 사용하는 것을 추천한다.

SMOTE는 부족한 클래스의 모조 샘플을 만들어내는 것이다. 이 알고리즘은 2개 이상의 비슷한 객체들을 선택하여 거리를 재고 사이사이 새로운 데이터를 생성해나간다.

자세한 정보는 링크를 확인하자.

5. 다른 Algorithms을 사용해보자.

언제나 그렇듯, 자신이 가장 좋아하는 알고리즘을 모든 문제에 사용하지 않는 것을 추천한다.

의사 결정 나무(Decision Tree) 는 비대칭 문제에서 성능이 좋은 경우가 많다.

C4.5, C5.0, CART and Random Forest 등 다양하게 사용해보는 것을 추천.

6. 모델에 제한을 준다.

Penalized classification(패널티가 있는 분류) 는 함수를 설정하여 부족한 클래스를 분류하는 것에 오류가 일어나게 만드는 것을 의미한다. 제한사항으로 설정한 함수(패널티 함수)는 부족한 클래스를 분류하는 것에 좀 더 집중을 할 수 있게 한다.

penalized-SVM, penalized-LDA 등 penalized 된 버젼들이 존재한다.
그뿐만아니라, 패널라이즈드 모델들을 위해 Framework도 존재하는데, 예를들어 Weka의 CostSensitiveClassifier가 있다.

패널티 매트릭스를 만드는 것은 매우 복잡하여, 특정 알고리즘을 써야 하거나 Re-샘플링이 불가능한 경우에 사용하는 것이 좋다.

7. 다른 관점으로 시도하자.

추천하는 방법으로는 Anomaly Detection, Change Detection 가 있다.

결론

위의 방법들은 당연하게 시행되어야 하는 순서를 보여준다고 생각한다. 조금 허무할 수도 있지만, 결국은 데이터 사이언티스트(Scientist) 라는 단어가 의미하듯.. 실험적인 정신을 가지고 다양한 각도에서 도전하고 가장 좋은 결과를 내기 위해 최선을 다해야 한다는 것..

분류 성능 평가(데이터 사이언스 스쿨)