欠采样undersampling，过采样oversampling

又称为 上采样 下采样

数据不平衡问题

默认阈值(比如二分类正反例中0.5)导致模型输出倾向于数据多的类别

解决办法

1. 调整分类阈值，偏向数据少的类别
2. 选择ROC或F1作为评估标准
3. 过采样、欠采样

过采样

将样本数量少的类别生成的样本数量和数量多的类别一样多，合成新的样本来缓解类不平衡

注：随机过采样采用简单复制样本增加少数类样本，导致模型不够泛化

欠采样

从数量多的类别中抽取与等量的样本数据，抛弃一些样本来缓解类不平衡

SMOTE

经典过采样

人工合成数据（Synthetic Minority Over-sampling Technique）

分析数量较少类别的样本数据，基于“插值”来为少数类合成新样本，并添加到数据集

1. 确定采样倍率 N（N为整数，N>=1）
2. 计算少数类 样本x(i)到本样本欧式距离，得到x(i)的k个近邻
3. 随机选择近邻x^, xnew = x + rand(0,1)*(x^-x),重复N次，得到N个新样本
4. 对所有少数类样本x(i)执行1，2操作，合成NT个新样本

欠采样（Undersampling）和过采样（Oversampling）是处理不平衡数据集的常见方法，用于解决正负样本数量差异较大的情况。欠采样是减少多数类样本的数量，而过采样是增加少数类样本的数量。

以下是使用Python实现欠采样和过采样的示例代码，分别使用imbalanced-learn库来演示：

首先，确保已安装 imbalanced-learn 库，可以通过以下命令安装：

pip install imbalanced-learn

接下来，使用下面的代码示例：

1. 欠采样示例：

from imblearn.under_sampling import RandomUnderSampler
from collections import Counter
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt

# 创建一个不平衡的示例数据集
X, y = make_classification(n_samples=1000, weights=[0.99], random_state=42)

# 统计类别分布
counter = Counter(y)
print("Original class distribution:", counter)

# 进行欠采样
undersample = RandomUnderSampler(sampling_strategy=0.5, random_state=42)
X_resampled, y_resampled = undersample.fit_resample(X, y)

# 统计欠采样后的类别分布
counter_resampled = Counter(y_resampled)
print("Resampled class distribution:", counter_resampled)

# 绘制类别分布图
plt.bar(counter_resampled.keys(), counter_resampled.values())
plt.xlabel('Class')
plt.ylabel('Count')
plt.title('Resampled Class Distribution')
plt.show()

2. 过采样示例：

from imblearn.over_sampling import RandomOverSampler

# 创建一个不平衡的示例数据集
X, y = make_classification(n_samples=1000, weights=[0.99], random_state=42)

# 统计类别分布
counter = Counter(y)
print("Original class distribution:", counter)

# 进行过采样
oversample = RandomOverSampler(sampling_strategy=0.5, random_state=42)
X_resampled, y_resampled = oversample.fit_resample(X, y)

# 统计过采样后的类别分布
counter_resampled = Counter(y_resampled)
print("Resampled class distribution:", counter_resampled)

# 绘制类别分布图
plt.bar(counter_resampled.keys(), counter_resampled.values())
plt.xlabel('Class')
plt.ylabel('Count')
plt.title('Resampled Class Distribution')
plt.show()

在上述代码中，我们使用make_classification函数创建了一个不平衡的示例数据集，然后分别使用RandomUnderSampler和RandomOverSampler进行欠采样和过采样。最后，绘制了欠采样和过采样后的类别分布图。

请注意，实际应用中您可能需要调整采样策略、超参数等来满足具体问题的需求。