过采样是什么？增加少数类样本来平衡数据

过采样（Oversampling）是机器学习中处理类别不平衡问题的一种常用方法：通过增加少数类别的样本数量，让各个类别的样本数量变得更加均衡，从而帮助模型更好地学习少数类别的特征。

为什么需要过采样

在很多实际问题中，不同类别的样本数量相差悬殊：信用卡交易中，欺诈交易可能只占千分之一；医疗诊断中，患某种罕见病的病人只占很小的比例；工业质检中，次品远远少于合格品。如果直接用这样的数据训练模型，模型可能会“偷懒”：只要把所有的样本都预测为多数类，就能达到很高的准确率，比如把所有交易都判为正常交易，准确率高达 99.9%，但这样的模型完全没有用，因为我们真正关心的恰恰是那些少数的欺诈交易。过采样通过增加少数类的样本，让模型在训练时更加重视它们。

常见的过采样方法

随机过采样：最简单的方法，从少数类样本中随机地有放回地抽取样本进行复制，直到达到想要的数量。它简单易行，但由于只是重复已有的样本，模型可能会过度地记住这些特定的样本，导致过拟合。

SMOTE（合成少数类过采样技术）：由 Nitesh Chawla 等人在 2002 年提出，是最常用的过采样方法。它不是简单地复制，而是合成新的样本：对每个少数类样本，找到它在少数类中的几个最近邻，随机选择其中一个，然后在这两个样本之间的连线上随机地取一个点，作为新的合成样本。这样生成的样本与原有样本相似但又不完全相同，可以减少过拟合的风险。

SMOTE 的改进版本：Borderline-SMOTE 只针对那些靠近类别边界、最容易被分错的少数类样本进行合成；ADASYN 根据每个少数类样本周围的学习难度，自适应地决定为它合成多少个新样本，越难学的地方合成越多。此外，还可以把过采样与欠采样结合起来使用，比如 SMOTE 加上清理边界噪声样本的方法。

使用时的注意事项

只在训练集上进行过采样：这一点非常重要。必须先划分训练集、验证集和测试集，再只对训练集进行过采样。如果先对全部数据进行过采样再划分，复制或合成的样本可能同时出现在训练集和测试集中，导致评估的结果过于乐观。在交叉验证中，也要在每一折的训练部分内部单独进行过采样。选择合适的评价指标：在类别不平衡的问题中，准确率并不是一个好的指标，应该使用精确率、召回率、F1 分数、精确率-召回率曲线下的面积等。其他的替代方法：除了调整数据，还可以调整模型的训练方式，比如为少数类设置更高的损失权重，或者调整分类的判定阈值，这些方法有时比过采样更简单有效。

信号处理中的过采样

在信号处理领域，过采样有另一个含义：以远高于奈奎斯特频率（信号最高频率的两倍）的频率对信号进行采样。这样做可以降低对抗混叠滤波器的要求、减少量化噪声，提高信号的质量，在音频的模数转换中被广泛使用。