SMOTE算法进行数据扩充示例代码

SMOTE（Synthetic Minority Over-sampling Technique）是一种用于解决类别不平衡问题的算法，它通过合成新的少数类样本来平衡数据集。

以下是一个使用Python中的imbalanced-learn库来应用SMOTE算法的示例：

首先，确保你已经安装了imbalanced-learn库：

pip install imbalanced-learn

然后，你可以使用以下示例代码来应用SMOTE算法：

from imblearn.over_sampling import SMOTE
from sklearn.datasets import make_classification

# 生成一个示例的不平衡数据集
X, y = make_classification(n_classes=2, class_sep=2, weights=[0.1, 0.9], n_informative=3, n_redundant=1, flip_y=0, n_features=20, n_clusters_per_class=1, n_samples=1000, random_state=42)

# 初始化SMOTE对象，可以根据需要调整参数
smote = SMOTE(sampling_strategy='auto', random_state=42)

# 使用SMOTE算法来生成新的样本
X_resampled, y_resampled = smote.fit_resample(X, y)

# 打印生成后的样本数量
print(f"生成后的样本数量: {len(X_resampled)}")

在这个示例中，我们首先生成了一个示例的不平衡数据集（make_classification函数），然后初始化了一个SMOTE对象。你可以根据需要调整SMOTE的参数，比如sampling_strategy用于控制生成样本的数量。

最后，我们使用fit_resample方法来应用SMOTE算法，得到了生成后的新样本集。

请注意，在实际应用中，你需要将SMOTE算法应用于你的实际数据集，并根据具体情况调整参数以达到最佳效果。