如何在Python中快速为非平衡样本数据生成SMOTE过采样?

胖辰君_3464

胖辰君_3464

2026-11-22

609人浏览

原创

SMOTE过采样前需将标签显式整数编码、确保X为二维数值数组、处理NaN,且必须同时传入X和y;k_neighbors应据少数类样本量合理设置,过采样后须验证分布与业务合理性。

如何在python中快速为非平衡样本数据生成smote过采样?

SMOTE过采样前必须检查标签是否为整数编码

直接传入字符串标签(如 ["cat", "dog", "dog"])给 SMOTE 会报 ValueError: Expected array-like with numerical values。sklearn 的 SMOTE 不支持类别型标签自动编码。

实操建议:

  • 用 LabelEncoder 或 pd.Categorical.codes 显式转成整数,例如:y_encoded = LabelEncoder().fit_transform(y)
  • 确保训练集 X_train 是二维数值型数组(不能是 DataFrame 含 object 列),否则 SMOTE.fit_resample() 会失败
  • 如果原始标签有缺失值(NaN),必须先处理,SMOTE 不接受含 NaN 的 y

fit_resample() 必须同时传入 X 和 y,不能只过采样标签

SMOTE 的核心逻辑是基于少数类样本的特征空间生成新样本,因此它需要原始特征 X 才能计算 KNN 并插值。单独对 y 调用 fit_resample() 会抛出 TypeError: fit_resample() missing 1 required positional argument: 'y' —— 但即使你补上 y,若没传 X,也会因内部校验失败而中断。

正确写法只有这一种:

from imblearn.over_sampling import SMOTE
smote = SMOTE(random_state=42)
X_res, y_res = smote.fit_resample(X_train, y_train)  # 必须两个都传

常见错误:

  • smote.fit_resample(y_train) → 缺 X,报错
  • smote.fit_resample(X_train) → 缺 y,报错
  • 把测试集 X_test 误传进去做重采样 → 导致数据泄露,模型评估失效

k_neighbors 参数太小或太大都会破坏过采样质量

SMOTE 默认 k_neighbors=5,但它高度依赖少数类样本数量。若某类只有 3 个样本,k_neighbors=5 会触发 ValueError: Expected n_neighbors ;若设成 k_neighbors=1,生成的样本过于集中、缺乏多样性,容易过拟合。

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

合理设置原则:

  • 先用 np.bincount(y_train) 查看各类样本量,取最小非零类的样本数减 1 作为上限
  • 实践中,k_neighbors 设为 min(5, min_class_count - 1) 比较稳妥
  • 若少数类极少(如仅 2 样本),SMOTE 本身就不适用,应改用 ADASYN 或结合欠采样(如 SMOTEENN)

过采样后务必验证类别分布和特征合理性

生成的 y_res 看似平衡了,但可能隐藏问题:比如某类新增样本全部集中在某个特征区间,或新样本的特征组合在原始分布中根本不存在(尤其当原始特征含强相关性或业务约束时)。

建议立即执行的检查:

  • 运行 np.bincount(y_res),确认各类数量确实接近(注意:由于四舍五入,可能差 1)
  • 对任一新增样本(如 X_res[-1]),用 np.linalg.norm(X_res[-1] - X_train, axis=1).min() 查最近邻距离,若远超原始样本间平均距离,说明插值异常
  • 避免在高维稀疏特征(如 one-hot 后的 1000+ 列)上直接用 SMOTE —— 它默认按欧氏距离计算,易受量纲和维度诅咒影响,应先标准化或降维

真正麻烦的不是调用那行代码,而是后续没意识到 SMOTE 生成的是“数学上合理、但业务上可疑”的样本。比如在金融风控里,一个新生成的用户行为向量,可能同时具备“高额度”和“零交易频次”,这种组合现实中几乎不会出现 —— 这类细节,库不会提醒你。

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

34797

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

4067

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