深度学习任务面临非平衡数据问题？试试这个简单方法

对于数据科学或机器学习研究者而言，当解决任何机器学习问题时，可能面临的最大问题之一就是训练数据不平衡的问题。本文将尝试使用图像分类问题来揭示训练数据中不平衡类别的奥秘。

数据不平衡问题是什么?

在一个分类问题中，当你想要预测一个或多个类中的样本数量极少时，可能会遇到数据中类不平衡的问题，即部分类的样本数量远远大于其它类中的样本数量。

例子

欺诈预测(真实交易的欺诈数量要低得多);

自然灾害预测(坏事件发生的频率将远远低于好事);

识别图像分类中的恶性肿瘤(具有肿瘤的图像将比训练样本内的无肿瘤的图像少得多);

为什么这会是个问题?

不平衡课程造成问题主要是由于以下两个原因：

由于模型/算法从来没有充分地查看全部类别信息，对于实时不平衡的类别没有得到最优化的结果;

由于少数样本类的观察次数极少，这会产生一个验证或测试样本的问题，即很难在类中进行表示;

解决这个问题的方法有哪些?

解决这个问题的方法主要有三种，三种各有各自的优缺点：

下采样(Undersampling)：随机删除具有足够观察多样本的类，以便数据中类的数量比较平衡。虽然这种方法非常简单，但很有可能删除的数据中可能包含有关预测的重要信息。

过采样(Oversampling)：对于不平衡类(样本数少的类)，随机地增加观测样本的数量，这些观测样本只是现有样本的副本，虽然增加了样本的数量，但过采样可能导致训练数据过拟合。

合成取样(SMOT)：该技术要求综合地制造不平衡类的样本，类似于使用最近邻分类。问题是当观察的数目是极其罕见的类时不知道怎么做。

尽管每种方法都有各自的优点，但没有什么固定的使用方式，需要根据实际问题不断自己尝试。现在将使用深度学习特定的图像分类问题来详细研究这个问题。

图像分类中的不平衡类

在本节中，将分析一个图像分类问题(其中存在不平衡类问题)，然后使用一种简单有效的技术来解决它。

问题：在kaggle上选择了“驼背鲸识别挑战”任务，期望解决不平衡类别的挑战(理想情况下，所分类的鲸鱼数量少于未分类的鲸类)。

Kagele上任务说明：在这场比赛中，面临的挑战是要建立一个算法来识别图像中的鲸鱼种类。将分析Happy Whale数据库(包含25,000多张图像)，这些数据来自研究机构和公共贡献者。通过竞赛，你将有助于为全球海洋哺乳动物种群动态开启丰富的理解领域。

查看Happy Whale数据集

由于这是一个多标签图像分类问题，首先想要检查数据是如何在类中分布的。

上图表明，在4251张训练图像中，每个类只有一张图像的超过了2000张。还有一些类只有2~5张图像。可见这是一个严重的不平衡类问题。我们不能期望深度学习模型每个类别仅使用一张图像进行训练。这也会产生一个问题，即如何在训练和验证样本之间创建一个分界线，理想情况下希望每个类都在训练样本和验证样本中都有表示。

接下来应该做什么?

本文考虑了两个特别的选项：

选项1：对训练样本进行严格的数据增强(只需要针对特定类的数据增强，单这可能无法完全解决本文的问题)。

选项2：类似于之前提到的过采样技术。只是使用不同的图像增强技术将不平衡类的图像复制到训练数据中15次。

在开始使用选项2处理数据之前，可以从训练样本中查看少量图像。

从图像中可以看到，图像是特定于鲸鱼的尾巴，因此，识别将可能与图像的方向有关。同时注意到数据中有很多图像是特定的黑白或只有R/G/B通道。

根据这些观察结果，使用以下代码对训练样本中不平衡类的图像进行小幅改动并保存：

以上代码对不平衡类中的每张图像(频率小于10)都进行如下处理：

将每张图像的增强副本保存为R / B&G ;

保存每张图像的增强副本;

保存每张图像未锐化的增强副本;

在上面的代码中可以看到，使用pillow库来严格执行此练习，现在已经为所有不平衡的类分配了至少10个样本。接下来进行训练。

图像增强：只想确保模型能够获得鲸鱼fluke的详细视图。为此，将缩放合并成图像增强。

学习率设定：从图中可以看到，将学习率定为0.01时效果最好。

使用Resnet50模型(第一层参数不变)进行了很少的迭代训练就能取得很好的效果，这是由于imagenet数据库中也有鲸鱼图像。

测试数据集上效果如何?

在kaggle排行榜上可以看到模型在测试集上的效果，本文提出的解决方案在本次比赛中排名34，平均精度均值(MAP)为0.41928。

结论

有时候，最简单的方法是最合乎逻辑的(如果你没有更多的数据，只需要复制现有的数据，并有轻微的变化即可)，也是最有效的。