SMOTE过采样技术原理与实现

1.这种操作的原理是什么，目的是什么

目的是合成分类问题中的少数类样本，使数据达到平衡；

其中，样本数量过少的类别称为“少数类”。

原理和思想：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。

算法流程：

a.对于少数类中每一个样本a，以欧式距离为标准，计算它到少数类样本集中所有样本的距离，得到其k近邻；

b.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，对于每一个少数类样本a，从其k近邻中随机选择若干个样本，假设选择的近邻为b；

c.对于每一个随机选出的近邻b，分别与原样本a按照如下的公式构建新的样本c： c=a +rand(0,1)*|a-b|

2. 这种操作可以提取/反应出数据的什么性质

这种操作是对非均衡数据的近似填充，使得数据的不均衡得到平衡。

3.实现

API介绍

imblearn.over_sampling.SMOTE(
sampling_strategy = ‘auto’,
random_state = None, ## 随机器设定
k_neighbors = 5, ## 用相近的 5 个样本（中的一个&