SMOTE是一种用于解决分类问题中少数类样本不足的技术，通过合成新样本来平衡数据集。其原理是选取少数类样本及其k近邻，在它们之间随机生成新样本。该操作能有效应对非均衡数据。实现上，可以使用imblearn库的SMOTE API，调整参数如k_neighbors、kind和svm_estimator来控制采样过程。
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&
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
