smote的sampling_strategy使用示例

SMOTE（Synthetic Minority Over-sampling Technique）是一种常用的过采样技术，用于处理不平衡数据集，特别是少数类别样本较多的情况。它通过生成新的合成少数类别样本来增加其数量，以便提升模型对这些类别的学习效果。`smote`通常作为`imblearn`库的一部分被导入。

下面是一个使用Python `imbalanced-learn`库中`SMOTE`的简单示例：

from imblearn.over_sampling import SMOTE
import pandas as pd

# 假设我们有一个DataFrame df，其中包含两个特征（X）和标签列（y）
data = pd.DataFrame({
    'feature_1': [0, 1, 0, ..., 1],
    'feature_2': [0, 1, 0, ..., 1],
    'label': ['minority', 'majority', 'minority', ..., 'majority']
})

# 将分类变量转化为数值形式
X = data[['feature_1', 'feature_2']]
y = data['label']

# 创建SMOTE对象并指定策略
smote = SMOTE(sampling_strategy='auto') # 如果你想自动调整比例，可以设置'sampling_strategy=auto'
# 或者手动指定比例，例如 'sampling_strategy={ minority: 50, majority: 10 }'

# 应用SMOTE
X_resampled, y_resampled = smote.fit_resample(X, y)

# 现在X_resampled和y_resampled包含了平衡后的样本

在这个例子中，`fit_resample()`方法会返回一个新的样本集，其中少数类别的样本数增加了。注意`sampling_strategy`参数可以根据需要选择不同的策略。