SMOTE处理后的数据集三维可视化代码实现，每一步骤都说明一下

SMOTE（Synthetic Minority Over-sampling Technique），是一种常用的过采样技术，用于解决分类问题中的不平衡数据。它通过生成合成样本的方式增加少数类的数据量，以便提高模型对少数类别的识别能力。以下是一个基本的Python（使用Scikit-Learn库）和Matplotlib进行SMOTE处理后的数据集三维可视化的步骤：

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from imblearn.over_sampling import SMOTE

# 创建一个简单的不平衡数据集
X, y = make_classification(n_samples=1000, n_features=3, n_informative=3,
                           n_redundant=0, weights=[0.95, 0.05],
                           random_state=42)

# 使用SMOTE进行过采样
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X, y)

# 将结果转换成numpy数组方便操作
X_resampled = np.array(X_resampled)
y_resampled = np.array(y_resampled)

# 对过采样的数据进行三维可视化
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(projection='3d')

# 绘制原始数据点（蓝色）
ax.scatter(X[y == 0, 0], X[y == 0, 1], X[y == 0, 2], label="Original Class 0", color="blue")
ax.scatter(X[y == 1, 0], X[y == 1, 1], X[y == 1, 2], label="Original Class 1", color="red")

# 绘制过采样后的数据点（绿色）
ax.scatter(X_resampled[y_resampled == 0, 0], X_resampled[y_resampled == 0, 1], X_resampled[y_resampled == 0, 2], label="Oversampled Class 0", color="green")
ax.scatter(X_resampled[y_resampled == 1, 0], X_resampled[y_resampled == 1, 1], X_resampled[y_resampled == 1, 2], label="Oversampled Class 1", color="orange")

# 添加标签和图例
ax.set_xlabel('Feature 1')
ax.set_ylabel('Feature 2')
ax.set_zlabel('Feature 3')
ax.legend()

plt.title("SMOTE Data Visualization (Before and After)")
plt.show()