smote算法原理 svm算法原理

SMOTE（Synthetic Minority Over-sampling Technique）算法是一种用于解决类别不平衡问题的方法。其基本思想是通过对少数类样本进行插值来生成新的合成样本，从而平衡训练数据集中各个类别的样本数量。 SMOTE算法的主要步骤如下：

1. 随机选择一个少数类样本；
2. 随机选择一个最近邻的少数类样本；
3. 在这两个样本之间，按照一定比例生成一个新的合成样本。

具体来说，对于一个少数类样本A，假设其最近邻的少数类样本为B，则新的合成样本C可以通过以下公式生成：

C = A + r(B - A)

其中，r是一个0到1之间的随机数，用于控制新样本生成的位置。

SVM（Support Vector Machine）算法是一种二分类模型，其基本思想是找到一个超平面（线性或非线性），将不同类别的数据样本分隔开来。SVM算法的主要步骤如下：

1. 将数据样本映射到高维空间中；
2. 在高维空间中找到一个超平面，使得该超平面能够最大化地将不同类别的样本分开；
3. 根据训练数据集中的样本点，求解超平面的参数；
4. 使用超平面对新的数据样本进行分类。

在SVM算法中，支持向量是指离超平面最近的那些训练样本点。这些样本点对决策边界的位置起到了关键作用，因为它们决定了超平面的位置和方向。