Smote算法python

以下是关于SMOTE算法的Python实现：

from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import SMOTE

# 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)

# 查看原始数据集的类别分布
print('Original dataset shape %s' % Counter(y))

# 使用SMOTE算法进行过采样
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X, y)

# 查看过采样后的数据集的类别分布
print('Resampled dataset shape %s' % Counter(y_res))

上述代码中，我们使用了`make_classification`函数创建了一个不平衡的数据集，其中正类别的权重为0.1，负类别的权重为0.9。然后，我们使用`SMOTE`算法进行过采样，最后输出了过采样后的数据集的类别分布。