Aplicando SMOTE

Neste exercício, você vai reequilibrar os dados usando a Synthetic Minority Over-sampling Technique (SMOTE). Diferente do ROS, o SMOTE não cria cópias exatas das observações, mas gera novas amostras sintéticas que são bem semelhantes às observações existentes na classe minoritária. Por isso, o SMOTE é um pouco mais sofisticado do que apenas copiar observações. Vamos aplicar o SMOTE aos nossos dados de cartão de crédito. O conjunto de dados df está disponível e os pacotes necessários para o SMOTE já foram importados. No exercício seguinte, você vai visualizar o resultado e compará-lo com os dados originais para ver com clareza o efeito de aplicar o SMOTE.

Este exercício faz parte do curso

Detecção de Fraudes em Python

Ver curso

Instruções do exercício

Use a função prep_data em df para criar as features X e os rótulos y.
Defina o método de reamostragem como o SMOTE padrão, na variável method.
Use .fit_resample() nos X e y originais para obter os novos dados reamostrados.
Plote os dados reamostrados usando a função plot_data().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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 e executar o código