【漫话机器学习系列】236.邻域链接（Tomek Link）

数据清洗中的利器：Tomek Link（邻域链接）详解与应用实战

一、引言

在处理机器学习中的分类问题时，我们经常会遇到数据不平衡或噪声数据过多的问题。尤其是在过采样（如SMOTE）或欠采样之前，如何对数据进行合理清洗，是影响模型性能的关键因素之一。

今天我们来聊一个处理类别边界噪声样本的经典方法——Tomek Link（邻域链接），并借助图解帮助大家轻松理解其原理和实际应用。

二、什么是 Tomek Link？

Tomek Link 是由 Ivan Tomek 提出的一个概念，用于清洗分类数据集中的边界样本。其核心目的是找出处于不同类别之间边界上的样本对，通常这些样本可能是：

噪声样本；
或对分类决策边界模糊不清。

图解理解

我们先来看一张经典的图示（来源：Chris Albon）：

从图中可以看到：

类别1：绿色“×”；
类别2：红色“○”；
中间有一些“×”和“○”互为最近邻的点，构成了所谓的Tomek Link对。

三、Tomek Link 的定义

根据图中内容，Tomek Link 的定义有三个要点：

设有两个样本 x 和 y：

x 的最近邻是 y；
y 的最近邻是 x；
x 和 y 属于不同的类别。

满足以上三条规则的样本对就构成了一个 Tomek Link。

四、Tomek Link 的作用

Tomek Link 的主要作用是：

帮助识别边界样本或噪声数据，从而优化数据分布，提高模型的泛化能力。

常见操作：

删除 Tomek Link 中的“多数类”样本（常用于数据不平衡时）；
或直接删除两个样本（如果数据量足够大，且边界噪声较多）；

这样做的好处是：

消除类与类之间的模糊边界；
提高模型的判别清晰度；
降低过拟合风险。

五、Tomek Link 的局限性

虽然 Tomek Link 简单高效，但并不是在所有场景中都适用：

图中也提到：

当 数据量过小；
或 类别极度不平衡；

使用 Tomek Link 清洗可能会造成有价值样本的丢失，反而导致模型性能下降。

六、Tomek Link 实战（Python 示例）

借助 imbalanced-learn 库可以快速使用 Tomek Links：

from imblearn.under_sampling import TomekLinks
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt# 生成一个不平衡数据集
X, y = make_classification(n_samples=500, n_features=2, n_redundant=0,n_clusters_per_class=1, weights=[0.9, 0.1],flip_y=0, random_state=1)# 应用 Tomek Links
tl = TomekLinks(sampling_strategy='majority')
X_resampled, y_resampled = tl.fit_resample(X, y)# 可视化清洗前后
plt.scatter(X[y==0][:,0], X[y==0][:,1], label="Class 0", alpha=0.3)
plt.scatter(X[y==1][:,0], X[y==1][:,1], label="Class 1", alpha=0.3)
plt.title("Before Cleaning with Tomek Link")
plt.legend()
plt.show()

更多参数可参考 imbalanced-learn 官方文档。