将具体实现机器学习中类别分布不均衡的解决方式的代码告诉我

以下是解决类别分布不均衡的几种常见方法：

1. 欠采样（Undersampling）：删除大类别中的一些样本以达到类别平衡。
2. 过采样（Oversampling）：对小类别的样本进行复制或人工合成新样本以达到类别平衡。
3. SMOTE（Synthetic Minority Over-sampling Technique）：通过KNN算法生成新的少数类样本。
4. 集成方法（Ensemble Methods）：像Bagging、Boosting和Stacking这样的方法可以通过结合多个分类器来平衡类别分布。
5. 样本加权（Sample Weighting）：对少数类别的样本进行加权处理，以增加它们在模型训练中的重要性。

以下是一个使用SMOTE进行过采样的实例代码：

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

# 创建一个具有类别不平衡的示例数据集
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=100)

# SMOTE处理过采样
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X, y)