分类中类别不平衡数据处理方法 python--imbalance包--smote算法使用教程

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了分类中类别不平衡数据处理方法 python--imbalance包--smote算法使用教程，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1016字，纯文字阅读大概需要2分钟。

内容图文

代码实现参考
https://blog.csdn.net/nlpuser/article/details/81265614
参数介绍参考
http://www.vr192.com/emb/20180121620100.html

ratio：用于指定重抽样的比例
如果指定字符型的值，可以是’minority’，表示对少数类别的样本进行抽样、’majority’，表示对多数类别的样本进行抽样、’not minority’表示采用欠采样方法、’all’表示采用过采样方法，默认为’auto’，等同于’all’和’not minority’;
如果指定字典型的值，其中键为各个类别标签，值为类别下的样本量;

random_state：用于指定随机数生成器的种子，默认为None，表示使用默认的随机数生成器;

k_neighbors：指定近邻个数，默认为5个;

m_neighbors：指定从近邻样本中随机挑选的样本个数，默认为10个;

kind：用于指定SMOTE算法在生成新样本时所使用的选项，默认为’regular’，表示对少数类别的样本进行随机采样，也可以是’borderline1’、’borderline2’和’svm’;

svm_esTImator：用于指定SVM分类器，默认为sklearn.svm.SVC，该参数的目的是利用支持向量机分类器生成支持向量，然后再生成新的少数类别的样本;

n_jobs：用于指定SMOTE算法在过采样时所需的CPU数量，默认为1表示仅使用1个CPU运行算法，即不使用并行运算功能;

内容总结

以上是互联网集市为您收集整理的分类中类别不平衡数据处理方法 python--imbalance包--smote算法使用教程全部内容，希望文章能够帮你解决分类中类别不平衡数据处理方法 python--imbalance包--smote算法使用教程所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---