多分类问题如何实现样本的平均化，让不同类别的样本数量趋于一致。给出具体的代码。

多分类问题的样本平均化可以使用过采样和欠采样等方法，其中一种比较常用的方法是 SMOTE（Synthetic Minority Over-sampling Technique），它是一种基于过采样的方法，可以生成一些合成的少数类样本来平衡数据集中各个类别的样本数量。

以下是一个简单的使用 SMOTE 进行过采样的代码实现：

import numpy as np
from collections import Counter
from sklearn.datasets import make_classification
from imblearn.over_sampling import SMOTE

# 生成样本不平衡的数据集
X, y = make_classification(n_classes=3, class_sep=2,
                            weights=[0.9, 0.05, 0.05], n_informative=3,
                            n_redundant=1, flip_y=0, n_features=20,
                            n_clusters_per_class=1, n_samples=1000,
                            random_state=10)

# 查看原始数据集中各类别的样本数量
print('Original dataset shape %s' % Counter(y))

# 进行 SMOTE 过采样
smote = SMOTE(random_state=42)
X_res, y_res = smote.fit_resample(X, y)

# 查看过采样后的数据集中各类别的样本数量
print('Resampled dataset shape %s' % Counter(y_res))

上述代码中，我们使用了 `make_classification` 生成了一个样本不平衡的数据集，接着使用 `SMOTE` 进行过采样，生成一些合成的少数类样本来平衡数据集中各个类别的样本数量。最后，我们使用 `Counter` 函数查看了过采样后的数据集中各类别的样本数量。