Losowe nadpróbkowanie i SMOTE
Uczą się Państwo stosować RandomOverSampler i SMOTE z imbalanced-learn do zwiększania liczebności klasy mniejszościowej, a następnie oceniać, czy poprawiła się precyzja i czułość.
Losowe nadpróbkowanie i SMOTE to bezpłatna lekcja Machine Learning Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Machine Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Why Oversampling Helps Imbalanced Models
Many classifiers learn a biased decision boundary when training data is dominated by one class — they effectively ignore the minority class. Oversampling increases the representation of the minority class in the training data, forcing the model to pay more attention to it. Two popular approaches are random oversampling (duplicating existing minority samples) and SMOTE (synthesising new ones).
Random Oversampling: Duplicate Minority Samples
RandomOverSampler from the imbalanced-learn library randomly duplicates examples from the minority class until the desired class ratio is achieved. It is simple and effective, but the duplicate samples add no new information — the model may overfit to the repeated minority examples if not regularised carefully.
from imblearn.over_sampling import RandomOverSampler
from sklearn.datasets import make_classification
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05],
n_features=10, random_state=42)
print('Before resampling:', np.bincount(y))
ros = RandomOverSampler(random_state=42)
X_res, y_res = ros.fit_resample(X, y)
print('After resampling: ', np.bincount(y_res))Installing imbalanced-learn
imbalanced-learn is a scikit-learn compatible library for handling class imbalance. Install it with pip install imbalanced-learn. It follows the sklearn API — samplers have fit_resample instead of fit_transform. It integrates with sklearn Pipelines via imblearn.pipeline.Pipeline, which is a drop-in replacement that supports samplers as pipeline steps.
# pip install imbalanced-learn
from imblearn import __version__ as imb_version
from imblearn.over_sampling import RandomOverSampler, SMOTE
from imblearn.under_sampling import RandomUnderSampler
from imblearn.pipeline import Pipeline as ImbPipeline
print('imbalanced-learn version:', imb_version)SMOTE: Synthetic Minority Oversampling
SMOTE (Synthetic Minority Oversampling TEchnique) creates new synthetic minority examples rather than duplicating existing ones. For each minority sample, SMOTE finds its k nearest minority neighbours and creates new points along the line segments connecting them. These synthetic samples occupy the interior of the minority feature space, giving the classifier richer information about the minority class boundary.
SMOTE in Practice
Use imblearn.over_sampling.SMOTE. Key parameters: k_neighbors (default 5) — how many minority neighbours to consider. The sampling_strategy parameter controls the target ratio: 'auto' oversamples all minority classes to match the majority class count.
from imblearn.over_sampling import SMOTE
from sklearn.datasets import make_classification
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05],
n_features=10, random_state=42)
print('Before SMOTE:', np.bincount(y))
smote = SMOTE(k_neighbors=5, random_state=42)
X_res, y_res = smote.fit_resample(X, y)
print('After SMOTE:', np.bincount(y_res))
print('New shape:', X_res.shape)Comparing Random Oversampling vs SMOTE
Random oversampling simply copies existing data and is faster; SMOTE synthesises new data and tends to generalise better. However, SMOTE can create unrealistic samples if the minority class is very sparse or if features have complex interactions. On highly non-linear problems, borderline-SMOTE or ADASYN (Adaptive Synthetic Sampling) may work better than standard SMOTE.
from imblearn.over_sampling import RandomOverSampler, SMOTE
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05], random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
sc = StandardScaler()
X_train_s = sc.fit_transform(X_train)
X_test_s = sc.transform(X_test)
for name, sampler in [('None', None), ('ROS', RandomOverSampler(random_state=0)),
('SMOTE', SMOTE(random_state=0))]:
if sampler:
X_r, y_r = sampler.fit_resample(X_train_s, y_train)
else:
X_r, y_r = X_train_s, y_train
lr = LogisticRegression().fit(X_r, y_r)
f1 = f1_score(y_test, lr.predict(X_test_s))
print(f'{name:6s}: F1={f1:.4f}')Using imbalanced-learn Pipeline
The critical rule: apply SMOTE only to the training fold, never to the test fold. The imblearn.pipeline.Pipeline enforces this automatically — SMOTE's fit_resample is called during fit but not during predict or transform. This is why you must use imblearn.pipeline.Pipeline, not sklearn's, when including a sampler.
from imblearn.pipeline import Pipeline as ImbPipeline
from imblearn.over_sampling import SMOTE
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_classification
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05], random_state=42)
pipe = ImbPipeline([
('sc', StandardScaler()),
('smote', SMOTE(random_state=42)), # applied only during fit
('lr', LogisticRegression())
])
scores = cross_val_score(pipe, X, y, cv=5, scoring='f1')
print(f'CV F1: {np.mean(scores):.4f} +/- {np.std(scores):.4f}')Visualising SMOTE Samples
On a 2D dataset you can visualise where SMOTE places synthetic samples. The new points lie along line segments between existing minority samples in feature space. This confirms that SMOTE is interpolating within the minority class region — not extrapolating outside it.
import matplotlib.pyplot as plt
from imblearn.over_sampling import SMOTE
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=200, weights=[0.9, 0.1],
n_features=2, n_redundant=0,
n_informative=2, random_state=42)
smote = SMOTE(random_state=0)
X_res, y_res = smote.fit_resample(X, y)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
for ax, data, labels, title in [(ax1, X, y, 'Before SMOTE'),
(ax2, X_res, y_res, 'After SMOTE')]:
ax.scatter(data[labels==0, 0], data[labels==0, 1], label='Class 0', alpha=0.5)
ax.scatter(data[labels==1, 0], data[labels==1, 1], label='Class 1', alpha=0.5)
ax.set_title(title)
ax.legend()
plt.tight_layout()
plt.show()SMOTE Variants: Borderline and ADASYN
Borderline-SMOTE generates synthetic samples only near the decision boundary (borderline minority samples closest to the majority class), focusing the model's attention where classification is hardest. ADASYN adaptively generates more samples in regions where the class is densest, adding proportionally more synthetic examples where the classifier struggles most.
from imblearn.over_sampling import BorderlineSMOTE, ADASYN
from sklearn.datasets import make_classification
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05], random_state=42)
print('Before:', np.bincount(y))
bs = BorderlineSMOTE(random_state=0)
X_bs, y_bs = bs.fit_resample(X, y)
print('After BorderlineSMOTE:', np.bincount(y_bs))
adas = ADASYN(random_state=0)
X_ad, y_ad = adas.fit_resample(X, y)
print('After ADASYN:', np.bincount(y_ad))Combining SMOTE with Undersampling (SMOTEENN)
SMOTE alone can introduce noisy samples near the majority-class boundary. SMOTEENN combines SMOTE with Edited Nearest Neighbours (ENN) cleaning: after SMOTE upsamples, ENN removes misclassified samples from both classes near the boundary. The result is a cleaner dataset with both oversampled minority and cleaned majority regions.
from imblearn.combine import SMOTEENN
from sklearn.datasets import make_classification
import numpy as np
X, y = make_classification(n_samples=1000, weights=[0.95, 0.05], random_state=42)
print('Before:', np.bincount(y))
smoteenn = SMOTEENN(random_state=42)
X_res, y_res = smoteenn.fit_resample(X, y)
print('After SMOTEENN:', np.bincount(y_res))Evaluating SMOTE: Precision-Recall Trade-Off
After applying oversampling, always evaluate with metrics sensitive to the minority class — F1-score, ROC-AUC, or PR-AUC. SMOTE typically improves recall (fewer missed positives) but may reduce precision (more false alarms). Use the precision-recall curve to find the threshold that gives your desired operating point for the specific business cost of false positives vs false negatives.
Quick Check
Test your understanding of oversampling and SMOTE from this lesson.
Lesson Recap
In this lesson you learned: RandomOverSampler duplicates minority examples — simple but risks overfitting to repeated data, SMOTE synthesises new minority samples by interpolating between existing ones, giving the classifier richer information, and imblearn.pipeline.Pipeline ensures SMOTE is applied only to training folds, preventing data leakage. Next up we explore undersampling techniques that reduce the majority class instead of growing the minority.
Często zadawane pytania
Czy lekcja „Losowe nadpróbkowanie i SMOTE” jest bezpłatna?
Tak — pełny tekst „Losowe nadpróbkowanie i SMOTE” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Machine Learning Academy, przejdź na CoddyKit PRO. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Losowe nadpróbkowanie i SMOTE”?
Uczą się Państwo stosować RandomOverSampler i SMOTE z imbalanced-learn do zwiększania liczebności klasy mniejszościowej, a następnie oceniać, czy poprawiła się precyzja i czułość. Ćwiczysz Machine Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Machine Learning Academy?
Nie wymagamy żadnego doświadczenia. Machine Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Losowe nadpróbkowanie i SMOTE”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Machine Learning Academy?
Tak. Każda lekcja Machine Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Wykrywanie niezbalansowania: rozkład klas i pułapki modelu bazowego
- Losowe nadpróbkowanie i SMOTE
- Losowe podpróbkowanie i Cluster Centroids
- Wagi klas i przesuwanie progu