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 TomekLinksfrom sklearn.datasets import make_classificationimport 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 Linkstl = 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。
七、Tomek Link 适用场景
| 场景 | 是否推荐 |
|---|---|
| 类别边界模糊 | ✅ 推荐 |
| 数据中包含噪声点 | ✅ 推荐 |
| 类别极不平衡 | ⚠️ 谨慎使用 |
| 样本总量很少 | ❌ 不推荐 |
八、总结
Tomek Link 是一个简单但实用的边界清洗方法，适合用于：
- 训练前的预处理阶段；与 SMOTE 等采样方法联合使用；分类任务中的边界优化。
在实际项目中，建议与模型调参、采样策略联合使用，以达到最优效果。
九、参考资料
- Chris Albon 图解（原图作者）imbalanced-learn 文档《Imbalanced Learning: Foundations, Algorithms, and Applications》
你是否有在实际项目中用过 Tomek Link 或其他数据清洗技术？欢迎评论区一起讨论！
