套用 SMOTE
在這個練習中，你將使用「合成少數類別過度取樣技術」（Synthetic Minority Over-sampling Technique，SMOTE）來重新平衡資料。與 ROS 不同，SMOTE 不會建立觀測值的完全複製，而是會建立與少數類別中現有觀測值相當相似的「新的合成樣本」。因此，SMOTE 比單純複製觀測值更進一步。現在就把 SMOTE 套用到我們的信用卡資料吧。
資料集 df 已提供，且你需要的 SMOTE 套件也已匯入。接下來的練習中，你會將結果視覺化並與原始資料比較，讓你能清楚看到套用 SMOTE 的效果。
本練習屬於課程
Fraud Detection in Python
練習說明
- 對
df使用prep_data函式，建立特徵X與標籤y。 - 將重新取樣方法定義為一般的 SMOTE，指定給變數
method。 - 對原始的
X與y使用.fit_resample()以取得新的重新取樣資料。 - 使用
plot_data()函式繪製重新取樣後的資料。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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(____, ____)