AttributeError：“SMOTE”对象没有“”fit_sample“”属性“”

AttributeError: 'SMOTE' object has no attribute 'fit_sample' 这个错误提示表明你正在尝试使用 fit_sample 方法，但 SMOTE 对象并没有这个方法。SMOTE 是一种用于过采样不平衡数据集的技术，通常通过 imblearn 库来实现。

基础概念

SMOTE（Synthetic Minority Over-sampling Technique）是一种基于插值的方法，通过在少数类样本之间进行插值来生成新的合成样本，从而平衡数据集。

相关优势

1. 提高模型性能：通过平衡数据集，可以减少模型对多数类的偏见，提高模型在不平衡数据集上的性能。
2. 减少过拟合：通过生成合成样本，可以增加数据的多样性，减少模型的过拟合风险。

类型

• 基本 SMOTE：最简单的插值方法。
• Borderline-SMOTE：仅对边界上的少数类样本进行插值。
• ADASYN：自适应合成采样方法，根据少数类样本的密度生成不同数量的合成样本。

应用场景

• 分类任务：特别是在医疗诊断、金融欺诈检测等领域，数据集往往是不平衡的。
• 机器学习模型训练：提高模型在不平衡数据集上的准确性和鲁棒性。

问题原因及解决方法

fit_sample 方法在较新的 imblearn 版本中已经被弃用，取而代之的是 fit_resample 方法。因此，你需要将代码中的 fit_sample 替换为 fit_resample。

示例代码

from imblearn.over_sampling import SMOTE
from sklearn.datasets import make_classification

# 生成一个不平衡的数据集
X, y = make_classification(n_classes=2, class_sep=2, weights=[0.1, 0.9],
                           n_informative=3, n_redundant=1, flip_y=0,
                           n_features=20, n_clusters_per_class=1,
                           n_samples=1000, random_state=10)

# 使用 SMOTE 进行过采样
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X, y)

print("原始数据集大小:", X.shape[0])
print("过采样后的数据集大小:", X_resampled.shape[0])

参考链接

• imblearn 文档
• SMOTE 原理介绍

通过上述方法，你可以解决 AttributeError: 'SMOTE' object has no attribute 'fit_sample' 的问题，并成功使用 SMOTE 进行数据过采样。