处理Spark中的不平衡类

Question

我试图通过spark mllib试验信用卡欺诈检测数据集。与1（意味着欺诈）相比，我拥有的数据集有很多0（意思是非欺诈）。我想知道如上所述解决类不平衡问题我们在Spark中有任何可用的算法，比如SMOTE。我使用逻辑回归作为模型

Answer 1

您可以在逻辑回归中尝试weightCol，如下所示：

    temp = train.groupby("LabelCol").count()
    new_train = train.join(temp, "LabelCol", how = 'leftouter')
    num_labels = train_data.select(countDistinct(train_data.score)).first()[0]
    train1 = new_train.withColumn("weight",(new_train.count()/(num_labels * new_train["count"])))
    # Logistic Regrestion Initiation
    lr = LogisticRegression(weightCol = "weight", family = 'multinomial')