from imblearn.over_sampling import smote
over_samples = smote(random_state=0)
# x為去除y和id的資料，y為標籤（label）
x, y = over_samples.fit_sample(x, y)
ysmote(ratio=』auto』, random_state=none, k_neighbors=5, m_neighbors=10,
out_step=0.5, kind=』regular』, svm_estimator=none, n_jobs=1)
ratio：用於指定重抽樣的比例，如果指定字元型的值，可以是』minority』，表示對少數類別的樣本進行抽樣、
』majority』，表示對多數類別的樣本進行抽樣、』not minority』表示採用欠取樣方法、』all』表示採用過取樣方法，
預設為』auto』，等同於』all』和』not minority』；如果指定字典型的值，其中鍵為各個類別標籤，值為類別下的樣本量；
random_state：用於指定隨機數生成器的種子，預設為none,表示使用預設的隨機數生成器；
k_neighbors：指定近鄰個數，預設為5個；
m_neighbors：指定從近鄰樣本中隨機挑選的樣本個數，預設為10個；
kind：用於指定smote演算法在生成新樣本時所使用的選項，預設為』regular』，表示對少數類別的樣本進行隨機取樣，
也可以是』borderline1』、』borderline2』和』svm』；
svm_estimator：用於指定svm分類器，預設為sklearn.svm.svc，該引數的目的是利用支援向量機分類器生成支援向量，
然後再生成新的少數類別的樣本；
n_jobs：用於指定smote演算法在過取樣時所需的cpu數量，預設為1表示僅使用1個cpu執行演算法，即不使用並行運算功能；
訊號處理演算法（2） 樣本熵（SampEn）
本文主要介紹樣本熵的物理意義 演算法以及matlab裡 實現。樣本熵 sample entropy，sampen 與近似熵的物理意義相似 近似熵參見部落格 近似熵理論相關知識與 實現 都是通過度量訊號中產生新模式的概率大小來衡量時間序列複雜性，新模式產生的概率越大，序列的複雜性就越大。與近似熵相比，...
訊號處理演算法（2） 樣本熵（SampEn）
1.物理意義 樣本熵 sample entropy，sampen 與近似熵的物理意義相似 近似熵參見部落格 近似熵理論相關知識與 實現 都是通過度量訊號中產生新模式的概率大小來衡量時間序列複雜性，新模式產生的概率越大，序列的複雜性就越大。與近似熵相比，樣本熵具有兩個優勢 樣本熵的計算不依賴資料長度 ...
樣本不均衡問題
樣本不均衡是機器學習，深度學習中常見問題。分類任務 a 95 b 5 模型將所有樣本 為a，那麼正確率可以達到95 第一種 是把多的那個組變少 降取樣 第二種 是把少的那個組變多 過取樣 最簡單的是oversampling，由於其侷限性，又有很多根據已有的資料生成新資料的方法，比如各種變體的synt...