SMOTE 過採樣（SMOTE）是什麼？

SMOTE 是一種處理資料不平衡問題的過採樣技術，透過合成少數類別樣本來平衡資料分佈，提升模型學習效果。

核心概念

SMOTE (Synthetic Minority Over-sampling Technique)，即合成少數過採樣技術，是機器學習中處理資料集類別不平衡問題的常用方法。在許多分類任務中，不同類別的樣本數量差異巨大，例如詐欺交易或罕見疾病病例。當模型在這種不平衡資料集上訓練時，往往偏向多數類別，導致對少數類別的識別能力差。

SMOTE 的核心是透過「合成」而非簡單重複現有樣本來擴充少數類別資料集。簡單重複採樣會導致模型過度擬合且不提供新資訊。SMOTE 則透過在現有少數類別樣本的特徵空間中，基於其鄰近樣本生成新的、略有不同的合成樣本。這擴展了少數類別的決策邊界，使模型能學習到更泛化、穩健的少數類別模式，避免過擬合，並提升對少數類別的識別能力和整體分類性能。

運作原理

SMOTE 的運作原理基於 K-近鄰 (K-Nearest Neighbors, KNN) 演算法，主要步驟如下：

1. 識別少數類別樣本：從資料集中找出所有少數類別樣本。
2. 選擇基準樣本：對於每個少數類別樣本 x_i，作為基準點。
3. 尋找 K 個最近鄰居：計算 x_i 與所有其他少數類別樣本的距離（通常為歐幾里得距離），找出其 k 個最近鄰居。k 是重要超參數，通常設為 5 或 10。
4. 隨機選擇鄰居：從這 k 個最近鄰居中，隨機選擇一個鄰居 x_nn。
5. 合成新樣本：在 x_i 和 x_nn 之間的特徵空間中，沿著連接兩者的直線段，隨機生成一個新樣本 x_new。公式為： x_new = x_i + rand(0, 1) * (x_nn - x_i) 其中 rand(0, 1) 是介於 0 和 1 之間的隨機數。新樣本 x_new 的特徵值是兩者特徵值的線性插值。
6. 重複步驟：重複步驟 2-5，直到達到預設的過採樣比例。

透過此方式，SMOTE 在少數類別樣本周圍創建人造資料點，這些點基於現有模式的合理擴展，有助於擴大少數類別的決策區域，使分類器更好地捕捉少數類別特徵。

實際應用

SMOTE 在資料不平衡問題突出的多個領域中廣泛應用：

• 金融詐欺偵測：詐欺交易遠少於正常交易。SMOTE 合成更多詐欺樣本，幫助模型更有效學習詐欺模式，提高偵測準確性和召回率。
• 醫療疾病診斷：罕見疾病病例資料稀少。SMOTE 平衡醫療資料集，使模型能更好識別和預測罕見疾病，提高診斷敏感性。
• 工業缺陷檢測：產品缺陷率低。SMOTE 增加缺陷樣本，訓練出更精確的缺陷檢測模型。
• 網路入侵偵測：惡意入侵行為是少數。SMOTE 幫助模型學習入侵模式，提高對新型攻擊的偵測能力。

SMOTE 的價值在於，它能在不引入過多重複資訊的情況下，有效提升模型對關鍵少數事件的學習能力，改善決策品質。

常見誤區

使用 SMOTE 時需注意以下誤區：

1. 在資料分割前應用 SMOTE：最常見錯誤。應先將資料分割為訓練集和測試集，然後僅在訓練集上應用 SMOTE，避免資料洩漏和高估模型泛化能力。
2. 對高維度資料處理不當：高維度特徵空間中，距離度量可能失真（維度災難）。SMOTE 在高維資料上可能效果不佳，合成樣本缺乏代表性或引入噪音。
3. 不考慮特徵類型：SMOTE 預設所有特徵為數值型。對於類別型特徵，直接應用會產生無意義的浮點數。需使用 SMOTE-NC 或 SMOTE-N 等變體。
4. 過度採樣導致過擬合：過度採樣（如少數類別數量遠超多數類別）仍可能使模型過度擬合於合成樣本，降低泛化能力。需謹慎選擇過採樣比例。
5. 將 SMOTE 視為萬靈丹：SMOTE 非唯一或最佳方案。應結合資料品質、特徵工程、模型選擇等綜合考慮。
6. 引入噪音：若少數類別樣本本身含噪音或離群值，SMOTE 可能放大噪音，生成不具代表性樣本，降低模型性能。

與相關技術的比較

SMOTE 只是處理資料不平衡問題的策略之一：

1. 與欠採樣 (Undersampling) 的比較：

   • 欠採樣：減少多數類別樣本。優點是訓練快，缺點是可能丟失重要資訊。
   • SMOTE：增加少數類別樣本，保留所有多數類別資訊。
   • 選擇：多數類別極龐大時可考慮欠採樣；否則 SMOTE 或兩者結合更優。

2. 與其他過採樣技術：

   • 簡單重複採樣：直接複製，易過擬合。
   • ADASYN：自適應生成，更關注難分類的少數樣本。
   • Borderline-SMOTE：只對決策邊界附近的少數樣本過採樣。

3. 與成本敏感學習 (Cost-Sensitive Learning)：

   • 不改變資料分佈，透過賦予不同錯誤分類不同的成本權重。優點是直接解決業務影響，缺點是需定義成本矩陣。
   • 選擇：成本差異明確時強大，SMOTE 則改善資料分佈，兩者可互補。

4. 與集成方法 (Ensemble Methods)：

   • 如 EasyEnsemble、SMOTEBoost 等，透過訓練多個基學習器並採樣或加權來處理不平衡。
   • 優點：性能更穩健。缺點：模型複雜度高。
   • 選擇：當單一模型不足時，集成方法是進階策略。SMOTE 可作為其前處理。

5. 與生成模型 (Generative Models)：

   • 如 GANs，能生成高度逼真的新樣本。
   • 優點：生成更複雜真實的樣本。缺點：訓練複雜，需大量資源。
   • 選擇：對高真實感和複雜模式需求高時考慮，但複雜性遠超 SMOTE。

SMOTE 是一種相對簡單、高效且廣泛使用的不平衡資料處理技術。在應用時，應結合具體問題、資料複雜性及其他技術，綜合評估選擇最合適策略。