如何在Python中用Scikit-learn的SMOTE过采样平衡样本?

千婷同学_1460

千婷同学_1460

2026-11-22

289人浏览

原创

SMOTE不属于scikit-learn,而是imbalanced-learn库的模块;因sklearn坚持通用稳定原则,拒绝纳入专用不平衡处理算法,必须pip install imbalanced-learn后from imblearn.over_sampling import SMOTE。

如何在python中用scikit-learn的smote过采样平衡样本?

SMOTE 在 scikit-learn 中并不存在——它属于 imblearn(imbalanced-learn)库,不是 scikit-learn 原生模块。直接 from sklearn.preprocessing import SMOTE 会报 ImportError。

为什么不能从 sklearn 导入 SMOTE?

scikit-learn 的设计原则是只提供通用、稳定、统计基础强的算法;而 SMOTE 属于专门针对类别不平衡的重采样技术,由第三方社区维护在 imblearn 包中。官方明确不将其纳入 sklearn 主线,避免核心库膨胀和维护边界模糊。

常见错误现象:ModuleNotFoundError: No module named 'imblearn' 或误以为 sklearn.utils.resample 包含 SMOTE(它只提供随机过/欠采样,无合成样本逻辑)。

  • 必须执行 pip install imbalanced-learn(注意不是 imblearn 的旧名或拼写变体)
  • 导入路径固定为 from imblearn.over_sampling import SMOTE
  • API 设计与 sklearn 一致(fit_resample(X, y)),但类不在 sklearn 命名空间下

SMOTE 的输入数据必须是数值型,不能含缺失值或类别型特征

SMOTE 通过在特征空间中插值生成新样本,要求所有特征可计算欧氏距离。遇到 ValueError: Input contains NaN, infinity or a value too large for dtype('float64') 或 could not convert string to float 是最常卡住的地方。

  • 先用 pd.isna(X).sum() 检查缺失值,用 SimpleImputer 填充(勿用 dropna,会破坏原始分布)
  • 类别型特征必须编码:用 OneHotEncoder(推荐)或 OrdinalEncoder(仅当有序且维度低)
  • 不要对目标变量 y 做标准化或编码——SMOTE 只处理 X,y 必须是 1D 整数/字符串标签

fit_resample() 返回的是新数组,不会原地修改 X/y

很多人误以为调用 smote.fit_resample(X, y) 后 X 和 y 已被覆盖,结果后续训练仍用原始不平衡数据,模型表现毫无改善。

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载

正确做法必须显式接收返回值:

smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X, y)  # ← 关键:必须赋值给新变量
  • random_state 强烈建议设置,否则每次运行结果不同,不利于实验复现
  • 若只需对训练集重采样(推荐),务必在 train-test split 之后、仅对 X_train/y_train 调用,绝不可对全量数据操作
  • 检查输出形状:y_resampled.value_counts() 应显示各分类数量接近(取决于 sampling_strategy 参数)

默认只对少数类过采样,但 minority class 必须明确可识别

SMOTE 默认将样本数最少的类设为少数类。但如果 y 是字符串标签且某类样本极少(如 3 个),而你希望对另一个有 50 个样本的类也提升到 100,就不能依赖默认行为。

  • 用 sampling_strategy='auto'(默认)只平衡至多数类数量
  • 指定字典如 sampling_strategy={'class_A': 100, 'class_B': 100} 精确控制每类目标样本数
  • 若用数字标签(0/1/2),注意 sampling_strategy={1: 200} 表示只把标签为 1 的类扩到 200 个
  • 传入 sampling_strategy=0.5 表示少数类 : 多数类 = 0.5 : 1(即少数类补到多数类的一半)

最容易被忽略的是:SMOTE 生成的样本只是近邻插值,无法解决特征本身判别力弱、噪声大或类别重叠严重的问题。如果过采样后模型效果反而下降,先检查原始特征是否已做必要清洗和缩放(SMOTE 前建议用 StandardScaler,尤其当特征量纲差异大时)。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5664

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34757

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程