隨機過採樣 是什麼？
Random Oversampling：隨機過採樣 的完整解釋
隨機過採樣（Random Oversampling）是處理類別不平衡問題的技術，透過隨機複製少數類別的現有樣本，使各類別的訓練樣本數趨於平衡，讓模型對少數類別有足夠的學習機會，但有增加過擬合風險的疑慮
核心概念
類別不平衡（Class Imbalance）是實際機器學習場景中極為普遍的問題：信用卡詐欺檢測中詐欺交易可能只佔 0.1%，疾病篩查中陽性病例可能只佔 2-5%，工業瑕疵檢測中瑕疵品可能只佔 1%。在這種情況下，若直接訓練模型，它往往學會「全部預測為多數類別」，即可達到 99% 以上的準確率，但對少數類別的召回率（Recall）卻趨近於零，完全失去實用意義。
隨機過採樣（Random Oversampling）是應對此問題最直接的方式：在少數類別中隨機選取樣本並複製，直到少數類別的樣本數達到目標比例（通常是與多數類別 1:1）。
運作原理
基本算法：
- 計算目標數量：通常目標是讓少數類別樣本數等於多數類別
- 需要新增的樣本數 = 目標數量 - 現有少數類別樣本數
- 從現有少數類別樣本中有放回地隨機抽取，直到達到目標數量
- 合併原始多數類別樣本與擴增後的少數類別樣本，作為新的訓練集
Imbalanced-learn 實作：
from imblearn.over_sampling import RandomOverSampler
from sklearn.datasets import make_classification
# 建立不平衡資料集
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05],
random_state=42)
print(f'原始分布：{dict(zip(*np.unique(y, return_counts=True)))}')
# 原始分布：{0: 950, 1: 50}
ros = RandomOverSampler(sampling_strategy='auto', random_state=42)
X_resampled, y_resampled = ros.fit_resample(X, y)
print(f'過採樣後：{dict(zip(*np.unique(y_resampled, return_counts=True)))}')
# 過採樣後：{0: 950, 1: 950}
sampling_strategy 參數可以設定目標比例（例如 0.5 代表少數:多數 = 1:2），或 'auto' 代表完全平衡。
過採樣必須在交叉驗證迴圈內部執行
這是最容易犯的錯誤：若在切割驗證集之前執行過採樣，由於訓練集和驗證集可能包含完全相同的複製樣本，模型在驗證集上的表現會被高估（資料洩漏的一種）。正確做法是使用 imblearn.pipeline.Pipeline 確保過採樣只在每個訓練折內部執行：
from imblearn.pipeline import Pipeline # 注意：要用 imblearn 的 Pipeline，不是 sklearn 的
from imblearn.over_sampling import RandomOverSampler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import StratifiedKFold, cross_val_score
pipeline = Pipeline([
('oversample', RandomOverSampler(random_state=42)),
('clf', RandomForestClassifier(random_state=42))
])
cv = StratifiedKFold(n_splits=5)
scores = cross_val_score(pipeline, X, y, cv=cv, scoring='f1')
實際應用
何時優先選擇隨機過採樣
- 基線比較：作為其他過採樣方法（SMOTE、ADASYN）的對照基線，快速確認不平衡處理的效果上限。
- 高維稀疏資料：SMOTE 在高維空間中插值效果不佳，隨機過採樣是更穩健的選擇（例如文字分類的 TF-IDF 特徵）。
- 小型少數類別：若少數類別樣本數極少（< 10 個），SMOTE 可能產生不合理的合成樣本，此時直接複製更安全。
搭配欠採樣的組合策略
純粹過採樣會大幅增加訓練集規模（過採樣後可能是原始資料的數倍），影響訓練時間。實務中常搭配欠採樣：先對多數類別做欠採樣，再對少數類別做過採樣，在資料量與類別平衡之間取得折衷。
評估指標的選擇
使用過採樣後，模型評估應避免使用準確率（Accuracy），改用 F1-Score、AUC-ROC、Precision-Recall 曲線（尤其對極度不平衡的資料，PR 曲線比 ROC 更具區分力）。
常見誤區
誤區一：過採樣後模型一定更好 過採樣改善了類別不平衡，但複製樣本會讓模型在特定的少數類別樣本上過度擬合。若原始少數類別包含雜訊或標記錯誤，過採樣會放大這些問題。應始終在持出測試集（Hold-out Test Set）上驗證改善效果，而非僅依賴交叉驗證分數。
誤區二：過採樣應用在測試集上 過採樣只能應用於訓練集，測試集必須保持原始分布，以真實反映線上的使用情況。在測試集上過採樣會高估少數類別的效能。
誤區三：準確率是評估不平衡模型的好指標 在 95:5 的不平衡場景中，預測全部為多數類別可達 95% 準確率，但少數類別 F1 = 0。處理不平衡問題後應改用 F1（少數類別）、Balanced Accuracy 或 AUC-ROC 評估，不能用整體準確率。
與相關技術的比較
| 方法 | 作用機制 | 合成新資訊 | 計算成本 | 過擬合風險 | 適用場景 |
|---|---|---|---|---|---|
| 隨機過採樣 | 複製少數類別樣本 | 否 | 極低 | 中（重複樣本） | 基線、高維資料 |
| 隨機欠採樣 | 刪減多數類別樣本 | 否 | 極低 | 低 | 大型資料集 |
| SMOTE | 少數類別樣本之間插值 | 是 | 低 | 低（樣本更多樣） | 中小型資料集 |
| ADASYN | 加強邊界附近的合成 | 是 | 低 | 低 | 邊界複雜的場景 |
| 類別權重調整 | 損失函數加權 | 否 | 極低 | 極低 | 支援 class_weight 的模型 |
類別權重調整（class_weight='balanced'）是最輕量的解法，無需修改訓練資料，若模型支援則優先嘗試。隨機過採樣比 SMOTE 更快但多樣性更低，SMOTE 通常在召回率上有額外提升，但在高維空間可能失效。