Aplicar SMOTE

En este ejercicio, vas a reequilibrar los datos usando la Synthetic Minority Over-sampling Technique (SMOTE). A diferencia de ROS, SMOTE no crea copias exactas de las observaciones, sino que genera nuevas muestras sintéticas que son bastante similares a las observaciones existentes de la clase minoritaria. Por tanto, SMOTE es un poco más sofisticado que simplemente copiar observaciones, así que vamos a aplicar SMOTE a nuestros datos de tarjeta de crédito. El conjunto de datos df está disponible y los paquetes necesarios para SMOTE ya están importados. En el siguiente ejercicio, visualizarás el resultado y lo compararás con los datos originales para que veas con claridad el efecto de aplicar SMOTE.

Este ejercicio forma parte del curso

Fraud Detection in Python

Ver curso

Instrucciones del ejercicio

Usa la función prep_data sobre df para crear las características X y las etiquetas y.
Define el método de remuestreo como SMOTE estándar, en la variable method.
Usa .fit_resample() sobre los X e y originales para obtener los nuevos datos remuestreados.
Representa los datos remuestreados con la función plot_data().

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

from imblearn.over_sampling import SMOTE

# Run the prep_data function
X, y = ____(df)

# Define the resampling method
method = ____()

# Create the resampled feature set
X_resampled, y_resampled = method.____(____, ____)

# Plot the resampled data
plot_data(____, ____)

Editar y ejecutar código