SMOTE ENN python程序代码

SMOTE（Synthetic Minority Over-sampling Technique）是一种用于处理分类问题中的不平衡数据的技术，它通过合成新的少数类样本以增强少数类，而ENN（Edited Nearest Neighbors）是一种噪声过滤方法，用于清理不平衡数据集中的噪声。以下是一个简单的Python示例，展示如何结合使用SMOTE和ENN来处理不平衡数据：

首先，确保安装了`imbalanced-learn`和`scikit-learn`库：

pip install imbalanced-learn scikit-learn

然后，你可以使用以下代码：

from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import EditedNearestNeighbors
from imblearn.pipeline import Pipeline
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 创建一个不平衡的分类数据集
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)

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

# 创建一个包含SMOTE和ENN的管道
pipeline = Pipeline([
    ('smote', SMOTE(random_state=42)),
    ('enn', EditedNearestNeighbors(n_neighbors=3))
])

# 应用管道到训练数据
X_train_resampled, y_train_resampled = pipeline.fit_resample(X_train, y_train)

# 输出结果
print("Resampled dataset shape %s" % Counter(y_train_resampled))

这段代码首先创建了一个不平衡的模拟数据集，然后使用`Pipeline`来链接SMOTE和ENN处理步骤。通过这个管道，数据集首先通过SMOTE进行过采样，然后通过ENN进行清洁，最后输出重采样的数据集的形状。