SMOTE (Técnica de sobremuestreo de minorías sintéticas) es una técnica de sobremuestreo utilizada en el equilibrio de datos en el aprendizaje automático. Fue introducido por Chawla et al. en 2002, y a menudo se implementa como un paso de preprocesamiento para el aprendizaje automático.
El objetivo principal de SMOTE es equilibrar los conjuntos de datos proporcionando una representación más equilibrada de las clases minoritarias. Funciona generando puntos de datos sintéticos mediante la interpolación lineal entre clases minoritarias existentes, creando una muestra mucho más grande de instancias de clases minoritarias.
SMOTE se puede utilizar en una variedad de escenarios diferentes. Por ejemplo, se puede utilizar en problemas de categorización de texto y clasificación de clases múltiples, donde las clases minoritarias están representadas de manera desproporcionada en comparación con la mayoría. También es útil en biometría, detección de fraude y diagnóstico médico.
El proceso de SMOTE implica seleccionar un cierto número de instancias minoritarias al azar y luego, para cada una de esas instancias minoritarias, decidir qué vecino se utilizará en la generación de nuevos puntos de datos sintéticos. Los nuevos puntos de datos se generan tomando el vector de características de la instancia minoritaria y agregando un vector aleatorio formado tomando un número aleatorio de una distribución gaussiana para cada característica.
SMOTE es una técnica eficiente y eficaz para abordar los problemas de datos desequilibrados, lo que permite un mejor aprendizaje y un modelo más preciso. Sin embargo, puede que no sea ideal para trabajar con conjuntos de datos multiclase, ya que su sobremuestreo puede conducir a modelos excesivamente simplificados y baja precisión. Además, los investigadores han tenido dificultades al intentar clasificar los nuevos puntos de datos generados por SMOTE.
