非平衡数据的处理（SMOTE算法）
主要内容：
非平衡数据的特征
SMOTE算法的思想及步骤
SMOTE算法的手工案例
SMOTE算法的函数介绍
1.非平衡数据的特征
在实际应用中，类别型的因变量可能存在严重的偏倚，即类别之间的比例严重失调。如欺诈问题中，欺诈类观测在样本集中毕竟占少数；客户流失问题中，忠实的客户往往也是占很少一部分；在某营销活动的响应问题中，真正参与活动的客户也同样只是少部分。
如果数据存在严重的不平衡，预测得出的结论往往也是有偏的，即分类结果会偏向于较多观测的类。为了解决数据的非平衡问题，2002年Chawla提出了SMOTE算法，即合成少数过采样技术，它是基于随机过采样算法的一种改进方案。
2.SMOTE算法的思想及步骤
SMOTE算法的基本思想就是对少数类别样本进行分析和模拟，并将人工模拟的新样本添加到数据集中，进而使原始数据中的类别不再严重失衡。
算法步骤为：
- 采样最邻近算法，计算出每个少数类样本的K个近邻。
- 从K个近邻中随机挑选N个样本进行随机线性插值。
- 构造新的少数类样本。
- 将新样本与原数据合成，产生新的训练集。
3.SMOTE算法的手工案例
（4）重复步骤（1）、（2）和（3），通过迭代少数类别中的每一个样本𝑥𝑖，最终将原始的少数类别样本量扩大为理想的比例。
4.SMOTE算法的函数介绍
Note: 在anaconda下 输入命令conda install -c glemaitre imbalanced-learn 即可安装imblearn第三方库
具体使用：from imblearn.over_sampling import SMOTE
