SMOTE (метод избыточной выборки синтетического меньшинства) — это метод избыточной выборки, используемый при балансировке данных в машинном обучении. Он был введен Chawla et al. в 2002 году и часто реализуется как этап предварительной обработки машинного обучения.
Основная цель SMOTE — сбалансировать наборы данных, обеспечивая более сбалансированное представление классов меньшинств. Он работает путем создания синтетических точек данных путем линейной интерполяции между существующими классами меньшинства, создавая гораздо большую выборку экземпляров классов меньшинства.
SMOTE можно использовать в самых разных сценариях. Например, его можно использовать в задачах категоризации текста и многоклассовой классификации, где классы меньшинства представлены непропорционально по сравнению с большинством. Это также полезно в биометрии, обнаружении мошенничества и медицинской диагностике.
Процесс SMOTE включает случайный выбор определенного количества экземпляров меньшинства, а затем для каждого из этих экземпляров меньшинства принимается решение о соседе, который будет использоваться при генерации новых синтетических точек данных. Новые точки данных генерируются путем взятия вектора признаков экземпляра меньшинства и добавления случайного вектора, сформированного путем взятия случайного числа из распределения Гаусса для каждого признака.
SMOTE — это эффективный и действенный метод решения проблем с несбалансированными данными, позволяющий улучшить обучение и создать более точную модель. Однако он может быть не идеальным для работы с многоклассовыми наборами данных, поскольку его избыточная выборка может привести к чрезмерному упрощению моделей и низкой точности. Кроме того, исследователи столкнулись с трудностями при попытке классифицировать новые данные, полученные с помощью SMOTE.
