数据不平衡样本处理-SMOTE

类别不平衡问题在很多场景中存在，例如欺诈检测，风控识别，在这些样本中，黑样本（一般为存在问题的样本）的数量一般远少于白样本（正常样本）。

• 由于模型/算法从来没有充分地查看全部类别信息，对于实时不平衡的类别没有得到最优化的结果；
• 由于少数样本类的观察次数极少，这会产生一个验证或测试样本的问题，即很难在类中进行表示；

上采样(过采样)和下采样(负采样）策略是解决类别不平衡问题的基本方法之一。上采样即增加少数类样本的数量，下采样即减少多数类样本以获取相对平衡的数据集。

SMOTE算法是用的比较多的一种上采样算法，能够提升训练精度

• （1）对于少数类中每一个样本x，找出离它最近的N个样本，再随机生成0~1的数*欧式距离+x原本的距离，得到新的一个样本点
• （2）根据样本不平衡比例设置一个采样比例以确定采样倍率N，
  
  找出最靠近它的m个少类样本，再任选最临近的m个少类样本中的任意一点，在这两点上任选一点，这点就是新增的数据样本
  

# 使用imlbearn库中上采样方法中的SMOTE接口
from imblearn.over_sampling import SMOTE
# 定义SMOTE模型，random_state相当于随机数种子的作用
smo = SMOTE(random_state=42)
X_smo, y_smo = smo.fit_sample(X, y)