SMOTE

以上是原始论文中给出的算法描述。

算法主要有两个函数构成，一个是SMOTE(T,N,k)用于找到少数label的k个最近邻，另一个是Populate(N,i,nnarray)用于生成N个人造样本。T是少数label的数量，k是找每个少数label的k个最近邻，N是个整数，如果N>=100，那么1个少数label生成int(N/100)个人造样本，如果N < 100，那么相当于在T个少数记录中进行随机抽样，只有抽样的样本来产生人造样本，比如抽样后sample size是T_sample，那么就再创造T_sample个人造样本。

算法文字步骤：

1、每个少数样本点找它的k个最近邻样本点

2、k个最近邻样本点中随机选取N个样本点（N < k）

3、N个样本点每个feature的值 减去 中心点对应feature的值 得到diff

4、中心点各feature的value +（对应diff 乘以 一个0到1间的随机数），产生新的人造样本点（这些人造样本点就是少数label）

总的说来，SMOTE比较简单，里面用到KNN的核心步骤（求K最近邻），求K最近邻涉及到欧式距离，欧式距离就涉及到特征的归一化（归一化可能涉及到离群值的剔除），而且只能处理数值型特征，类别型特征怎么处理？one-hot？SMOTE原始论文中第6章也提出了类别型变量的处理方式，但是我没读太懂。

再具体到风控建模这个领域，SMOTE真的有用吗？

因为SMOTE对于类别型变量难以处理，如果先WOE编码再做SMOTE，那就有点滞后了，如果类别不平衡，尤其postive绝对数比较少时，转WOE就不稳，这就有点矛盾了，如果我能直接转WOE，其实讲道理就没必要SMOTE。

还有1个问题就是基于哪一个特征集进行SMOTE？

1、入模变量都选好了再进行SMOTE？

2、全部特征进行WOE编码，再进行SMOTE？

想来应该是2更合理。

https://cloud.tencent.com/developer/article/1512812

这个链接是入模变量都确定了，WOE都转换了才用的SMOTE。

WOE后SMOTE还有一个比较扯的地方，等于说产生的人造样本点WOE其实在测试集上都是没有的，这里不会有什么问题吗？

SMOTE本身很简单，但是应用起来有诸多细节需要处理，感觉在风控领域用处不大，后期可以进行实验探索。