SMOTE (Synthetic Minority Over-sampling Technique) est une technique de suréchantillonnage utilisée dans l'équilibrage des données dans l'apprentissage automatique. Il a été introduit par Chawla et al. en 2002, et est souvent mis en œuvre comme étape de prétraitement pour l'apprentissage automatique.
L'objectif principal de SMOTE est d'équilibrer les ensembles de données en fournissant une représentation plus équilibrée des classes minoritaires. Il fonctionne en générant des points de données synthétiques par interpolation linéaire entre les classes minoritaires existantes, créant ainsi un échantillon beaucoup plus large d'instances de classes minoritaires.
SMOTE peut être utilisé dans une variété de scénarios différents. Par exemple, il peut être utilisé dans les problèmes de catégorisation de textes et de classification multi-classes, où les classes minoritaires sont représentées de manière disproportionnée par rapport à la majorité. Il est également utile en biométrie, en détection de fraude et en diagnostic médical.
Le processus SMOTE consiste à sélectionner aléatoirement un certain nombre d'instances minoritaires, puis, pour chacune de ces instances minoritaires, à décider d'un voisin à utiliser dans la génération de nouveaux points de données synthétiques. Les nouveaux points de données sont générés en prenant le vecteur de caractéristiques de l'instance minoritaire et en ajoutant un vecteur aléatoire formé en prenant un nombre aléatoire dans une distribution gaussienne pour chaque caractéristique.
SMOTE est une technique efficace et efficiente pour traiter les problèmes de données déséquilibrées, permettant un meilleur apprentissage et un modèle plus précis. Cependant, il n’est peut-être pas idéal pour traiter des ensembles de données multiclasses, car son suréchantillonnage peut conduire à des modèles trop simplifiés et à une faible précision. De plus, les chercheurs ont eu du mal à classer les nouveaux points de données générés par SMOTE.
