smote算法

面对分类问题中的样本不均衡,Smote算法是一种常用的过采样策略。它通过合成新的少数类样本来平衡数据集,选择每个少数类样本的最近邻,然后在它们之间随机选取点创建新样本。该方法有助于提升算法在处理不平衡数据时的分类效果。
摘要由CSDN通过智能技术生成

平时很多分类问题都会面对样本不均衡的问题,很多算法在这种情况下分类效果都不够理想。针对不均衡问题,一般有采样和代价敏感学习两种策略,采样的话又分为over-sampling和under-sampling。其中,smote算法算是over-sampling中比较常用的一种。

smote算法的思想是合成新的少数类样本,合成的策略是对每个少数类样本a,从它的最近邻中随机选一个样本b,然后在a、b之间的连线上随机选一点作为新合成的少数类样本。
论文地址:https://www.jair.org/media/953/live-953-2037-jair.pdf
下图是论文中给出的smote伪代码。

smote 伪代码

#encoding=gbk
from sklearn.neighbors import NearestNeighbors
import numpy as np
import random
class Smote
评论 13
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值