ｓｍｏｔｅｅｎｎ流程图

SMOTE (Synthetic Minority Over-sampling Technique) 是一种常用的机器学习数据增强方法，用于处理类别不平衡的数据集。它通过生成新的合成样本来增加少数类（如正例）的数量，以改善模型对这类样本的学习能力。SMOTE流程图通常包含以下几个步骤：

1. **识别少数类样本**：首先，算法会从原始数据集中找出属于少数类的样本。

2. **邻域选择**：对于每个少数类样本，它会选择k个最接近它的邻居（通常是基于特征相似度计算的）。

3. **合成新样本**：然后，从选定的邻居中随机选择一个，并沿着它们之间的连线方向按照一定的比例（通常是1:k）创建一个新的合成点。

4. **替换或添加到训练集**：这个新的合成样本会被添加到训练集中，替换掉原有的少数类样本，或作为额外样本加入，以提高少数类的代表性。

5. **迭代过程**：如果有更多需要平衡的少数类，这个过程会在整个少数类样本上重复。