from collections import Counter print('Original dataset shape %s' % Counter(y)) # 对类别不平衡的处理 from imblearn.over_sampling import ADASYN adasyn = ADASYN(random_state=42) x, y = adasyn.fit_resample(x, y) len(x) print('Resampled dataset shape %s' % Counter(y))怎样画出过采样前后样本点对比图

可以使用PCA或t-SNE等降维技术将数据集投影到二维空间中，然后使用散点图将过采样前后的样本点进行可视化比较。下面是一个简单的示例代码：

import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 进行PCA降维
pca = PCA(n_components=2)
x_pca = pca.fit_transform(x)

# 绘制散点图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 5))
ax1.scatter(x_pca[:, 0], x_pca[:, 1], c=y)
ax1.set_title('Original dataset')

# 进行ADASYN过采样
adasyn = ADASYN(random_state=42)
x_resampled, y_resampled = adasyn.fit_resample(x, y)

# 进行PCA降维
x_resampled_pca = pca.transform(x_resampled)

# 绘制散点图
ax2.scatter(x_resampled_pca[:, 0], x_resampled_pca[:, 1], c=y_resampled)
ax2.set_title('Resampled dataset')
plt.show()

该代码将原始数据集和ADASYN过采样后的数据集投影到二维平面上，并使用散点图进行可视化比较。其中，原始数据集的样本点用不同颜色进行区分，而过采样后的样本点则全部用相同颜色表示。