【基础复习2】过采样，欠采样与SMOTE：含代码示例

目录

过采样

SMOTE（进阶过采样方法）

欠采样

代码

生成数据

核心代码

运行结果

环境准备

运行

结果

结果分析

---

Imblearn包是为处理数据⽐例失衡而生的
在数据预处理中的采样

过采样

从少数类中随机重复抽取样本，增加其数量，使类别比例平衡。

优点：简单；缺点：可能导致过拟合（重复样本增加冗余）。

SMOTE（进阶过采样方法）

不是简单重复少数类，而是通过插值生成 “新的少数类样本”（基于相似样本合成），避免过拟合

欠采样

从多数类中随机删除样本，减少其数量，使类别比例平衡。

优点：简单、减少计算量；缺点：可能丢失多数类中的重要信息。

代码

生成数据

X, y = make_classification(n_samples=1000,  # 总样本数n_features=2,    # 2个特征（方便可视化）n_informative=2,n_redundant=0,n_classes=2,     # 二分类weights=[0.9],   # 多数类占90%，少数类占10%random_state=42
)

• n_samples=1000：生成 1000 个样本（即 1000 条数据）。
• n_features=2：每个样本包含 2 个特征（自变量），方便后续可视化（可在二维平面上展示）。
• n_informative=2：这 2 个特征都是 “有信息的”，即对分类结果有实际影响（与标签相关）。
• n_redundant=0：无冗余特征（冗余特征是由有信息特征线性组合生成的，此处不添加）。
• n_classes=2：生成二分类问题（标签只有 2 个类别，通常用 0 和 1 表示）。
• weights=[0.9]：指定类别比例，多数类占 90%（约 900 个样本），少数类占 10%（约 100 个样本），属于不平衡数据集。
• random_state=42：随机种子固定，保证每次运行生成的数据集完全相同，结果可复现。

核心代码

from imblearn.over_sampling import RandomOverSampler, SMOTE
from imblearn.under_sampling import RandomUnderSampler
```python
# 2. 定义采样器
oversampler_random = RandomOverSampler(random_state=42)  # 随机过采样
undersampler_random = RandomUnderSampler(random_state=42)# 随机欠采样
oversampler_smote = SMOTE(random_state=42)               # SMOTE过采样（进阶）

运行结果

环境准备

pip install imblearn scikit-learn matplotlib numpy

运行

python imblearn_demo.py

结果

结果分析

1. 原始数据：负例（蓝色）占绝大多数，正例（红色）很少，明显失衡。
2. 随机过采样：正例数量增加（通过重复采样），与负例基本平衡，但红色点有重叠（重复样本）。
3. 随机欠采样：负例数量减少，与正例平衡，但可能丢失蓝色点中的重要信息。
4. SMOTE 过采样：正例数量增加，且红色点是新合成的（非重复），分布更自然，避免过拟合风险。