4、数据层面方法：随机欠采样（Random Undersampling）原理与实现

随机欠采样，名字听着挺唬人，说穿了就一件事——把多数类样本砍掉一部分，让两边数量差不多。我在蛋白配体项目里第一次用这个方法时，总觉得有点「暴力」，心想好不容易收集来的数据，说扔就扔了？但后来发现，有时候简单粗暴反而最管用。

咱们做蛋白配体分类，最常见的问题就是：活性化合物就那么几十个，非活性化合物却堆了几千甚至几万个。模型学来学去，最后只会说「这玩意儿不活性」。你想想看，这种模型你敢用吗？

4.1 核心思想：用「舍弃」换「平衡」

随机欠采样的逻辑链条其实就三步：

1. 数一数：统计多数类和少数类的样本量
2. 随机挑：从多数类里随机选出一部分样本
3. 扔掉剩下的：保留选中的多数类 + 所有少数类，组成新数据集

举个例子，你手上有 100 个活性化合物（正样本），8000 个非活性化合物（负样本）。随机欠采样会从 8000 个负样本里随机抽 100 个，然后跟 100 个正样本拼在一起。最终数据集 = 100 正 + 100 负，平衡了。

我个人习惯把目标比率设成 1:1 到 2:1 之间。设得太高，模型还是会偏；设成 1:1，偶尔会损失太多信息。具体多少合适，得看你数据量和噪声水平。

4.2 在蛋白配体场景里，它怎么跑？

我去年做过一个激酶抑制剂的筛选项目，正样本（IC₅₀ < 1 μM）只有 142 个，负样本堆了 6200 多个。直接训练 XGBoost，F1 分数只有 0.31，模型几乎全判成非活性。后来上了随机欠采样，F1 直接拉到 0.67。

流程大致长这样：

4.3 代码实现：手动写 vs 用工具库

先看手动实现。理解原理比调包更重要，尤其面试时容易问到。

import numpy as np
import pandas as pd
from sklearn.utils import shuffle

def random_undersample(X, y, majority_class=0, minority_class=1, ratio=1.0):
    """
    手动实现随机欠采样
    ratio: 目标多数类 / 少数类的比例，默认 1.0 表示 1:1
    """
    # 分离多数类和少数类
    majority_idx = np.where(y == majority_class)[0]
    minority_idx = np.where(y == minority_class)[0]

    n_minority = len(minority_idx)
    n_majority_target = int(n_minority * ratio)

    # 随机选择多数类样本
    selected_majority = np.random.choice(
        majority_idx, n_majority_target, replace=False
    )

    # 合并索引
    selected_idx = np.concatenate([minority_idx, selected_majority])
    selected_idx = shuffle(selected_idx)

    return X[selected_idx], y[selected_idx]

# 在蛋白配体数据上使用
# X: 分子指纹或描述符矩阵，y: 活性标签（1=活性，0=非活性）
X_balanced, y_balanced = random_undersample(X, y, majority_class=0, minority_class=1, ratio=1.0)
print(f"平衡后正样本数: {np.sum(y_balanced==1)}, 负样本数: {np.sum(y_balanced==0)}")

当然，实际项目里我建议直接用 imbalanced-learn，省事、稳定、不容易手写出 bug。

from imblearn.under_sampling import RandomUnderSampler
from collections import Counter

# 定义采样器
sampler = RandomUnderSampler(
    sampling_strategy='auto',  # 自动调整到与少数类相同数量
    random_state=42            # 固定随机种子，保证可复现
)

# 执行欠采样
X_resampled, y_resampled = sampler.fit_resample(X, y)

print(f"采样后类别分布: {Counter(y_resampled)}")

sampling_strategy='auto' 的意思是：把多数类采样到跟少数类一样多。你也可以传一个字典，比如 {0: 300, 1: 142}，手动指定每个类别的目标数量。

4.4 一张表看清优缺点

维度	优势	劣势
计算效率	数据量大幅减少，训练速度变快	—
实现难度	逻辑简单，5 行代码搞定	—
信息保留	—	丢弃大量多数类样本，可能丢失重要模式
过拟合风险	—	少数类样本被反复使用，模型容易过拟合
适用场景	多数类噪声大、冗余度高	多数类样本稀少且信息密度高时不要用

4.5 避坑指南：我曾经踩过的三个坑

坑一：欠采样后验证集分布失真

我曾经在蛋白配体项目里，对整个数据集做了随机欠采样，然后才划分训练集和测试集。结果测试集上的表现虚高，一上线就崩了。为什么呢？因为测试集也被「人工平衡」了，跟真实分布完全不同。

正确的做法：先划分训练集和测试集，只对训练集做欠采样，测试集保持原始分布。

# 正确流程
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

# 只在训练集上做欠采样
X_train_res, y_train_res = sampler.fit_resample(X_train, y_train)

坑二：随机种子没固定，结果无法复现

有一次我在调参时发现，同样一组超参数，两次跑出来的 AUC 差了 0.08。排查了半天，发现是欠采样没设 random_state。你想想看，每次采的样本都不一样，模型学到的分布也不一样，复现个鬼。

坑三：忽略了多数类内部的子结构

随机欠采样是「盲选」的。但多数类里可能本身就包含多个子簇——比如不同骨架类型的非活性化合物。随机采样可能会漏掉某些子簇，导致模型没见过某些类型的负样本。如果条件允许，可以考虑用分层欠采样或聚类欠采样来替代。

4.6 什么时候该用随机欠采样？

总结一下我自己的经验判断——满足以下条件时，随机欠采样是个不错的选择：

• 多数类样本量巨大（比如 5000+），且有不少明显是噪声
• 计算资源有限，没法用全部数据训练复杂模型
• 快速迭代探索期，想快速验证某个特征工程或模型是否有效
• 类别比例极度失衡（1:50 甚至更高），其他方法效果不明显

反过来，如果多数类样本量本来就不多（比如总共才 200 个），或者每个样本都很珍贵、信息密度高，那随机欠采样就是自废武功。这时候可以考虑集成欠采样或者混合采样。