SMOTE (Synthetic Minority Over-sampling Technique) è una tecnica di sovracampionamento utilizzata nel bilanciamento dei dati nell'apprendimento automatico. È stato introdotto da Chawla et al. nel 2002 ed è spesso implementato come fase di preelaborazione per l'apprendimento automatico.
Lo scopo principale di SMOTE è bilanciare i set di dati fornendo una rappresentazione più equilibrata delle classi minoritarie. Funziona generando punti dati sintetici mediante interpolazione lineare tra le classi minoritarie esistenti, creando un campione molto più ampio di istanze di classi minoritarie.
SMOTE può essere utilizzato in una varietà di scenari diversi. Ad esempio, può essere utilizzato nella categorizzazione del testo e nei problemi di classificazione multiclasse, in cui le classi minoritarie sono rappresentate in modo sproporzionato rispetto alla maggioranza. È utile anche in ambito biometrico, rilevamento di frodi e diagnosi medica.
Il processo di SMOTE prevede la selezione casuale di un certo numero di istanze minoritarie e quindi, per ciascuna di queste istanze minoritarie, la decisione su un vicino da utilizzare nella generazione di nuovi punti dati sintetici. I nuovi punti dati vengono generati prendendo il vettore delle caratteristiche dell'istanza di minoranza e aggiungendo un vettore casuale formato prendendo un numero casuale da una distribuzione gaussiana per ciascuna caratteristica.
SMOTE è una tecnica efficiente ed efficace per affrontare i problemi di dati sbilanciati, consentendo un migliore apprendimento e un modello più accurato. Tuttavia, potrebbe non essere l’ideale per gestire set di dati multiclasse, poiché il suo sovracampionamento potrebbe portare a modelli eccessivamente semplificati e a bassa precisione. Inoltre, i ricercatori hanno avuto difficoltà nel tentativo di classificare i nuovi punti dati generati da SMOTE.
