Tratamento de Dados
Desbalanceados
Sérgio Queiroz
Adaptado dos slides do Prof. Ricardo
Prudêncio
Introdução
• É comum nos depararmos com problemas de
classificação com dados desbalanceados
– I.e., Presença de classes majoritárias com
freqüência muito maior que as outras classes
minoritárias
• Desbalanceamento de classes pode ser
prejudicial dependendo do problema e
algoritmo
Desbalanceamento de Dados
• Conseqüência:
– Maior tendência para a responder bem para as
classes majoritárias em detrimento das
minoritárias
– Entretanto, em muitos casos, o que importa é ter
um bom desempenho para as classes
minoritárias!!!
• Ver exemplos no próximo slide
Desbalanceamento de Dados
• Exemplo: Detecção de Fraude
– Menos de 1% das transações de cartão de crédito
são fraudes
– Em um conjunto de exemplos relacionados a
transações, teremos:
• 99% dos exemplos para a classe negativa (não-fraude)
• 1% dos exemplos para a classe positiva (fraude)
Desbalanceamento de Dados
• Exemplo: Detecção de Fraude
– Classificadores terão uma tendência a dar
respostas negativas para transações com fraude
• I.e. Alto número de falsos negativos
– Problema: o custo de um falso negativo é muito
maior que o custo de um falso positivo
• Falso negativo: fraude que não foi detectada em tempo
– I.e., prejuízo a operadora de cartão
• Falso positivo: transação normal bloqueada
– I.e., aborrecimento para o usuário do cartão
Desbalanceamento de Dados
• Exemplo: Diagnóstico Médico
– Pacientes doentes são em geral menos comuns
que pacientes saudáveis
– No diagnóstico médico, novamente a classe
positiva ( dos pacientes doentes) tem uma
freqüência muito menor que a classe negativa
(pacientes saudáveis)
Desbalanceamento de Dados
• Exemplo: Diagnóstico Médico
– Classificadores terão uma tendência a classificar
doentes reais como supostamente saudáveis
• Novamente, alto número de falsos negativos
– Conseqüência :
• Diagnóstico tardio e dano para o paciente
Desbalanceamento de Dados
• Observações importantes:
– Taxas globais de precisão não são úteis nesses
contextos
• Use Área Under ROC Curve (AUC)
– Processo de construção dos classificadores requer
adaptações para evitar um viés para as classes
majoritárias
(
Revisão: ROC Curves
• Exemplo: Diagnóstico de doenças usando um
teste
Doença presente
Doença ausente
Teste positivo
Positivos
verdadeiros (TP)
Falsos positivos (FP)
Teste negativo
Falsos negativos
(FN)
Negativos
verdadeiros (TN)
Esta seção de revisão sobre ROC Curves foi baseada no material disponível em:
http://gim.unmc.edu/dxtests/ROC1.htm , elaborado por Thomas G. Tape da University of Nebraska Medical Center
Revisão: ROC Curves
Doença presente
Doença ausente
Teste positivo
Positivos
verdadeiros (TP)
Falsos positivos (FP)
Teste negativo
Falsos negativos
(FN)
Negativos
verdadeiros (TN)
Definições:
• Sensibilidade do teste: proporção de pacientes com a doença que testam positivo.
Em notação de probabilidade: P(T+|D+) = TP / (TP + FN). Em classificação chamamos
de RECALL.
• Especificidade do teste: proporção de pacientes sem doença com teste negativo. Em
notação de probabilidade: P (T-| D-) = TN / (TN + FP).
• Probabilidade pré-teste: probabilidade estimada da doença antes do teste ser feito.
É a mesma coisa que a probabilidade a priori e é frequentemente estimada. Se uma
determinada população de pacientes está sendo avaliada, a probabilidade pré-teste
é igual à prevalência da doença na população. É a proporção do total de pacientes
que têm a doença. Na notação de probabilidade: P (D +) = (TP + FN) / (TP + FP + TN +
FN).
Revisão: ROC Curves
Doença presente
Doença ausente
Teste positivo
Positivos
verdadeiros (TP)
Falsos positivos (FP)
Teste negativo
Falsos negativos
(FN)
Negativos
verdadeiros (TN)
Definições:
• Sensibilidade do teste: proporção de pacientes com a doença que testam positivo.
Em notação de probabilidade: P(T+|D+) = TP / (TP + FN). Em classificação chamamos
de RECALL.
• Especificidade do teste: proporção de pacientes sem doença com teste negativo. Em
notação de probabilidade: P (T-| D-) = TN / (TN + FP).
• Probabilidade pré-teste: probabilidade estimada da doença antes do teste ser feito.
É a mesma coisa
que a probabilidade
a priorioequão
é frequentemente
Seentre
uma
Sensibilidade
e especificidade
descrevem
bem o teste estimada.
discrimina
determinada população de pacientes está sendo avaliada, a probabilidade pré-teste
pacientes com e sem doença. Elas abordam uma questão diferente do que
é igual à prevalência da doença na população. É a proporção do total de pacientes
queremos
responder
ao avaliar
paciente, no
que
geralmente
que têm a doença.
Na notação
de um
probabilidade:
P (Dentanto.
+) = (TP +OFN)
/ (TP
+ FP + TN +
queremos
saber
é:
dado
um
determinado
resultado
do
teste,
qual
éa
FN).
probabilidade de doença? Este é o valor preditivo do teste.
Revisão: ROC Curves
Doença presente
Doença ausente
Teste positivo
Positivos
verdadeiros (TP)
Falsos positivos (FP)
Teste negativo
Falsos negativos
(FN)
Negativos
verdadeiros (TN)
Valor preditivo do teste:
• Valor preditivo de um teste positivo: é a proporção de pacientes com testes
positivos que têm a doença. Em notação de probabilidade: P(D + | T +) = TP / (TP +
FP). Esta é a mesma coisa que a probabilidade pós-teste da doença dado um teste
positivo. Ele mede o quão bem o teste indica a doença. Em classificação chamamos
isso de PRECISÃO
• Valor preditivo de um teste negativo: é a proporção de pacientes com testes
negativos que não têm a doença. Em notação de probabilidade: P(D-| T-) = TN / (TN
+ FN). Ele mede o quão bem o teste descarta a doença. Note que isto não é o
mesmo que o pós-teste de probabilidade da doença a um teste negativo, que é um
menos o valor preditivo de um teste negativo.
Fonte: Wikipedia http://en.wikipedia.org/w/index.php?title=Precision_and_recall&oldid=600501669
Índices
Revisão: ROC Curves
• A sensibilidade e especificidade dependem da definição do
que constitui um “teste anormal”. As distribuições dos valores
para o teste dos indivíduos de uma classe ou outra
normalmente se sobrepõem.
Revisão: ROC Curves
• Exemplo real: detecção de hipotireoidismo com teste T4.
Hypothyroid: hipotireoidismo
Euthyroid: normal
Revisão: ROC Curves
• Suponha que os pacientes com valores de T4 de 5 ou
menos sejam considerados com hipotiroidismo.
Revisão: ROC Curves
• Sejamos menos exigentes com o T4 considerando
agora que 7 ou menos sejam considerados com
hipotiroidismo.
Revisão: ROC Curves
• Movendo mais uma vez: 9 ou menos considerados
com hipotiroidismo.
Tabelando os valores
• Observe que você pode melhorar
a sensibilidade, movendo a ponto
de corte para um valor mais
elevado de T4 - ou seja, você
pode tornar o critério para um
teste positivo menos rigoroso.
Você pode melhorar a
especificidade, movendo o ponto
de corte para um valor mais baixo
de T4 - ou seja, você pode tornar
o critério para um teste positivo
mais estrito. Assim, há um
equilíbrio entre sensibilidade e
especificidade. Você pode alterar
a definição de um teste positivo
para melhorar um, mas o outro
vai piorar.
Curvas ROC: Receiver Operating
Characteristic
• Taxa de verdadeiros positivos (sensibilidade) x
Taxa de falsos positivos
Curvas ROC
•
Uma curva ROC demonstra várias coisas:
– Ela mostra o equilíbrio entre sensibilidade e
especificidade (qualquer aumento na sensibilidade
será acompanhada por uma diminuição na
especificidade).
– Quanto mais próxima a curva segue a borda
esquerda e, em seguida, a borda superior do espaço
ROC, mais preciso será o teste.
– Quanto mais perto a curva chega de a 45 graus
diagonal do espaço ROC, menos preciso o teste.
– A inclinação da linha tangente em um ponto de
corte dá a razão de verossimilhança (LR) para que o
valor do teste. Você pode verificar isso no gráfico
acima. Lembre-se que o LR para de T4 <5 é 52. Isto
corresponde à extrema esquerda, parte íngreme da
curva. A LR para de T4> 9 é de 0,2. Isto corresponde
à porção de extremidade direita, quase horizontal
da curva.
– A área sob a curva é uma medida do poder de
discriminação.
Área sob curva ROC
• Uma área 1 representa um teste
perfeito; uma área de 0,5
representa um teste inútil. Um
guia geral para classificar a
precisão de um teste de
diagnóstico é o sistema de notas
acadêmicas tradicional:
–
–
–
–
–
0,90-1 = excelente (A)
0,80-0,90 = bom (B)
0,70-0,80 = razoável (C)
0,60-0,70 = pobre (D)
0,50-0,60 = ruim (F)
)
Voltando ao Desbalanceamento de
Dados...
• Observações importantes:
– Diferença entre as freqüências de classes não diz
tudo a respeito de um problema
– Outros fatores são importantes
• Separação linear das classes
• Existência de sub-conceitos nas classes
– I.e. problemas moderadamente desbalanceados
podem ser muito difíceis e;
– Problemas fortemente desbalanceados podem
não ser tão difíceis assim.
Abordagens para Tratamento
de Dados Desbalanceados
• Resampling aleatório:
– Reamostragem dos exemplos de treinamento de
forma a gerar conjuntos balanceados
– Undersampling
• Reduzir número de exemplos da classe majoritária
• Pode acarretar em perda de informação
– Oversampling
• Replicar exemplos da classe minoritária
• Se feito aleatoriamente, pode gerar overfitting
Abordagens para Tratamento
de Dados Desbalanceados
• SMOTE (Chawla et al., 2002)
– Oversampling usando exemplos sintéticos da
classe minoritária
– Exemplos sintéticos extraídos ao longo dos
segmentos que unem vizinhos mais próximos da
classe minoritária
• One-side-selection (Kubat & Matwin, 1997)
– Undersampling de exemplos redundantes da
classe majoritária
Abordagens para Tratamento
de Dados Desbalanceados
• Wilson’s editing (Barandela et al., 2004)
– Usa kNN para classificar instâncias da classe
majoritária e exclui as classificadas erroneamente
• Cluster-based oversampling (Jo & Japkowicz,
2004)
– Realizam cluster dos exemplos e replicam
exemplos dos clusters mais desbalanceados
Abordagens para Tratamento
de Dados Desbalanceados
• Comparação entre métodos
– Undersampling aleatório tem se mostrado
superior a oversampling (Chawla et al. 2002)
(Hulse et al. 2007)
– Entretanto melhor método de sampling depende
do algoritmo sendo utilizado e da métrica de
avaliação (Hulse et al. 2007)
Abordagens para Tratamento
de Dados Desbalanceados
• Cost-Sensitive Learning
– Introdução de custos no processo de aprendizado
– Exemplo: Custo Total = FP*CFP + FN*CFN
– Adaptação dos algoritmos para tratamento de
dados desbalanceados
Abordagens para Tratamento
de Dados Desbalanceados
• Cost-Sensitive Learning vs. Sampling (Weiss et
al. 2007)
– Nem todos os algoritmos têm versões que lidam
com custos e nem sempre é trivial definir custos
– Undersampling seria interessante por diminuir o
tempo de aprendizado
Considerações finais
• Em geral, conjuntos de dados tem algum grau de
desbalanceamento das classes
• Desbalanceamento pode ser um problema difícil
dependendo da complexidade das classes
• Conjuntos desbalanceados podem ser lidados
com técnicas de amostragem ou introduzindo
custos diretamente
– Não há “o melhor” método