SMOTE (Sentetik Azınlık Aşırı Örnekleme Tekniği), makine öğreniminde veri dengelemede kullanılan bir aşırı örnekleme tekniğidir. Chawla ve diğerleri tarafından tanıtıldı. 2002'de geliştirildi ve genellikle makine öğrenimi için bir ön işleme adımı olarak uygulandı.
SMOTE'un temel amacı, azınlık sınıflarının daha dengeli bir temsilini sağlayarak veri kümelerini dengelemektir. Mevcut azınlık sınıfları arasında doğrusal olarak enterpolasyon yaparak sentetik veri noktaları oluşturarak çalışır ve çok daha büyük bir azınlık sınıfı örnekleri örneği oluşturur.
SMOTE çeşitli farklı senaryolarda kullanılabilir. Örneğin, azınlık sınıflarının çoğunluğa göre orantısız bir şekilde temsil edildiği metin kategorizasyonu ve çok sınıflı sınıflandırma problemlerinde kullanılabilir. Ayrıca biyometri, sahtekarlık tespiti ve tıbbi teşhis konularında da faydalıdır.
SMOTE süreci, belirli sayıda azınlık örneğinin rastgele seçilmesini ve ardından bu azınlık örneklerinin her biri için, yeni sentetik veri noktalarının oluşturulmasında kullanılacak bir komşuya karar verilmesini içerir. Yeni veri noktaları, azınlık örneğinin özellik vektörü alınarak ve her özellik için Gauss dağılımından rastgele bir sayı alınarak oluşturulan rastgele bir vektörün eklenmesiyle oluşturulur.
SMOTE, dengesiz veri problemleriyle başa çıkmak için daha iyi öğrenmeye ve daha doğru bir modele olanak tanıyan verimli ve etkili bir tekniktir. Ancak aşırı örnekleme, modellerin aşırı basitleştirilmesine ve düşük doğruluğa yol açabileceğinden, çok sınıflı veri kümeleriyle çalışmak için ideal olmayabilir. Ek olarak araştırmacılar, SMOTE tarafından oluşturulan yeni veri noktalarını sınıflandırmaya çalışırken de zorluk yaşadılar.
