ランダム・オーバーサンプリングとは、不均衡データにおいてデータ数が少ない少数派クラスのサンプルを無作為に複製し、クラス間のデータ比率を均等に近づけるデータ前処理手法です。実装が容易で情報損失がない反面、同一データの重複により過学習を引き起こしやすい特徴があります。
ランダム・オーバーサンプリングとは
ランダム・オーバーサンプリングは、クラス分類問題においてデータ数が少ないクラスの事例をランダムに重複抽出（複製）して増やし、データ比率の不均衡を是正する手法です。
詳しく解説
機械学習における不均衡データでは、多数派クラスに予測が偏り、少数派クラスの識別精度が低下する問題が生じます。この課題を解決するため、ランダム・オーバーサンプリングでは少数派クラスから復元抽出を行い、全体のデータバランスを調整します。アルゴリズム自体がシンプルで追加の仮定を必要とせず、元のデータを一切捨てないため情報損失が発生しない点がメリットです。データ全体のサンプル数が増えるため、学習時間を確保できる環境で広く利用されます。
具体例・使われ方
例えば、1000件の正常データに対して10件しかない不正取引データを検出するクラス分類モデルを作る際、10件の不正データをランダムに重複複製して1000件まで増やし、正常データと同等規模にしてから学習させるケースが挙げられます。
似た用語との違い
多数派クラスのデータを間引いて削減するアンダーサンプリングとは、データ量を増やすか減らすかという点で正反対のアプローチです。また、少数派データの近傍を補間して新しい合成データを生成するSMOTEとは異なり、ランダム・オーバーサンプリングは既存データをそのまま単純複製する点に違いがあります。
注意点
まったく同一のデータが複数回学習に用いられるため、モデルが特定のサンプルに過剰適合する過学習を起こしやすくなります。また、データ総数が増加することによって計算コストが高くなる点や、未知のパターンを生み出すわけではないためモデルの汎化性能向上に限界がある点に注意が必要です。