smote算法的使用python代码

SMOTE (Synthetic Minority Over-sampling Technique) 是一种解决不平衡数据集分类问题的方法，它通过生成合成样本来增加少数类样本，从而平衡数据集。以下是一个使用 Python 实现 SMOTE 算法的例子：

from imblearn.over_sampling import SMOTE
from sklearn.datasets import make_classification
from collections import Counter
 
# 创建一个不平衡的数据集
X, y = make_classification(n_classes=2, class_sep=2,
                            weights=[0.1, 0.9], n_informative=3,
                            n_redundant=1, flip_y=0, n_features=20,
                            n_clusters_per_class=1, n_samples=1000,
                            random_state=10)
print('Original dataset shape %s' % Counter(y))
 
# 使用 SMOTE 进行样本平衡
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X, y)
print('Resampled dataset shape %s' % Counter(y_res))

在上面的代码中，我们使用了 imblearn 库中的 SMOTE 类来平衡数据集。首先，我们创建了一个不平衡的数据集，其中少数类样本的权重为 0.1，多数类样本的权重为 0.9。然后，我们使用 SMOTE 进行样本平衡，最后输出平衡后的数据集形状。