对《MAHAKIL》过采样技术的复现

一般而言，类不平衡问题将会提高预测准确的难度。然而，在软件缺陷预测中，一直都面临着缺陷模块远少于无缺陷模块的情况。虽然近年来的许多方法，诸如SMOTE、ADASYN，都能通过创造新的少数类实例样本来平衡类的分布，但是，这些方法生成的新实例大多是之前少数类实例的复制，或者是临近关系。这就导致了少数类样本的单一性。

在《MAHAKIL: Diversity Based Oversampling Approach to Alleviate the Class Imbalance Issue in Software Defect Prediction》一文中提出的MAHAKIL重采样方法很好的解决了新样本多样性的问题，而且能有效地提升模型的预测能力。

一般的重采样之后，数据分布会如下图中的(b)，新样本分布在少数类附近；经过MAHAKIL 重采样后，数据分布如下图中的(c)，新样本在少数类边界内均匀分布。

主要流程

在MAHAKIL 中，主要通过模拟遗传学中的繁殖过程，来产生新的样本。简要过程可分为三个阶段：

phase 1: 将少数类样本从需要处理的数据集中分离出来，记为$bin$，对于$bin$中每一个少数类样本，计算其马氏距离（Mahalanobis distance）。

$$d^2 = (x-\mu)^TS^{-1}(x-\mu)$$
　　其中 S=1N∑Ni=1(xi−X¯)T