ADASYN: ADASYN

1. 引言

例如，在电路电压急剧上升的情况下如果没有发生危险而系统未发出报警信号则不会产生显著影响；但如果发生了危险却没有发出报警信号将会带来严重的危害

例如，在电路电压急剧上升的情况下如果没有发生危险而系统未发出报警信号则不会产生显著影响；但如果发生了危险却没有发出报警信号将会带来严重的危害

2.研究现状

Synthetic Minority Oversampling Technique（SMOTe）是最先提出的经典欠采样算法之一，在机器学习领域具有重要的应用价值。其核心机制即为一种基于少数类样本的数据插值方法，在少数类样本内部进行数据分布的补充与优化以提升模型性能。然而该方法可能会在多数类样本之间插入新的少数类样本实例而导致类别间的重叠问题

3.ADASYN

本文介绍的是 ADASYN: 自适应综合过采样方法。

算法步骤如下：

（1）计算不平衡度

将少数类数据标记为ms，并将其归入多数类数据ml中，则其不平衡程度可表示为 d = ms / ml；其中d的取值范围属于开区间（0,1），当d趋近于1时表明两类别样本数量接近平衡状态

（2）计算需要合成的样本数量

G = (ml - ms) × b, 其中b ∈ [0, 1]；当b取值为1时，则表示生成的数据中多数类的数量与原始少数类的数量达到了平衡状态

（3）对于每