1.浅谈SMOTE之类不平衡过采样方法

浅谈SMOTE之类不平衡过采样方法

       本文继前文MAHAKIL过采样方法后，探讨了当前广泛应用且效果良好的SMOTE过采样方法。本文主要介绍SMOTE-Regular和SMOTE-Borderline1两种变体（由于篇幅限制），并提供相关源代码。导航 博客 源码让我们直接进入正题。

       首先，当遇到类别不平衡问题，如欺诈检测中欺诈案例较少，客户流失中流失客户占比低等，预测结果可能会偏向多数类别。简单处理方式如欠采样或过采样都存在弊端：欠采样可能导致信息丢失，scrollpic.js源码过采样则可能产生过拟合。为解决这个问题，Chawla在年提出了SMOTE，即合成少数过采样技术，通过KNN技术生成新样本，x站采集源码平衡类别分布。

       SMOTE的核心步骤包括：首先，对每个少数类样本寻找K个近邻；接着，随机选取近邻中的部分样本，通过线性插值生成新的cminus词法分析源码样本；然后，将新样本与原数据结合，形成新的训练集。通过这种方法，SMOTE在少数类样本中通过KNN创造新样本，避免了随机复制的app前后端源码局限性，更具代表性。

       接下来是SMOTE-Regular的源码，以及辅助类base_sampler.py。如果你对上述方法有所理解，那么SMOTE-Borderline1将更易理解，它是在SMOTE-Regular的基础上，选择少数样本更靠近类别边界的样本进行扩展，生成的新样本更具代表性。

       以下是SMOTE-Borderline1的伪代码，虽然看起来复杂，但通过源码对照会更有帮助。辅助类代码与之前相同，这里不再赘述。最后，虽然部分内容借鉴了网络资源，但我知识有限，如有不当之处，欢迎读者指正。