機器學習中難免遇到正負樣本不平衡問題，處理辦法通常有梁總，一：過采樣，增加正樣本數據；二：欠采樣，減少負樣本數據，缺點是會丟失一些重要信息。smote屬于過采樣。

代碼

# from imblearn.over_sampling import BorderlineSMOTE

# from imblearn.over_sampling import SMOTENC

# from imblearn.over_sampling import SVMSMOTE

# from imblearn.over_sampling import KMeansSMOTE

# from imblearn.over_sampling import ADASYN

# from imblearn.over_sampling import RandomOverSampler

import pandas as pd

import numpy as np

from collections import Counter

from imblearn.over_sampling import SMOTE# 使用imlbearn庫中上采樣方法中的SMOTE接口

import matplotlib.pyplot as plt

# 生成一組0和1比例為9比1的樣本，X為特征，y為對應的標簽

x1=[np.random.randint(1,31) for i in range(90)]+[np.random.randint(50,81) for i in range(10)]

x2=[np.random.randint(1,31) for i in range(90)]+[np.random.randint(50,81) for i in range(10)]

y=[0 for i in range(90)]+[1 for i in range(10)]

x=pd.DataFrame({'x1':x1,'x2':x2})

y=pd.DataFrame(y)

# 查看所生成的樣本類別分布，0和1樣本比例9比1，屬于類別不平衡數據

print(Counter(list(y[0])))

fig1=plt.figure(1)

plt.scatter(x['x1'],x['x2'])

plt.show

# 定義SMOTE模型，random_state相當于隨機數種子的作用

smo = SMOTE(sampling_strategy='auto',random_state=10)

x_smo, y_smo = smo.fit_sample(x, y)

print(Counter(list(y_smo[0])))

fig2=plt.figure(2)

plt.scatter(x_smo['x1'],x_smo['x2'])

plt.show

結果

處理前

處理后

如果對你有幫助，請點下贊，予人玫瑰手有余香！

時時仰望天空，理想就會離現實越來越近！

總結

以上是生活随笔為你收集整理的python样本不均衡_使用Python中的smote处理正负样本之间的不平衡,python,实现,失衡,问题...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。