smote过采样python代码

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中的少数类别样本。它通过生成新的合成样本来增加少数类的实例数。以下是使用Python中的imbalanced-learn库实现SMOTE的一个简单示例：

from imblearn.over_sampling import SMOTE
import pandas as pd
from sklearn.datasets import make_classification

# 创建一个简单的二分类数据集
X, y = make_classification(n_classes=2, class_sep=2,
                            weights=[0.1, 0.9], random_state=42)

# 创建SMOTE对象
smote = SMOTE(random_state=42)

# 使用SMOTE对特征X和标签y进行过采样
X_resampled, y_resampled = smote.fit_resample(X, y)

# 检查过采样后的数据分布
print("Original counts:", Counter(y))
print("Resampled counts:", Counter(y_resampled))

在这个例子中，`fit_resample`方法会对原始的X和y应用SMOTE，生成新的均衡化的数据集。记得先导入必要的库，并根据实际的数据结构调整。