SMOTE（合成少数类过采样技术）是一种专门的数据增强形式，旨在解决分类任务中的类别不平衡问题。 虽然传统的数据增强侧重于通过转换（例如，旋转图像或添加噪声）来增加数据集的大小和多样性，但 SMOTE 会为代表性不足的类别生成合成样本，以平衡数据集。 这两种技术都旨在提高模型性能，但 SMOTE 专门针对一种类别的示例明显少于其他类别的情况，例如欺诈检测或罕见疾病诊断。 通过创建新的合成数据点，SMOTE 有助于防止模型偏向多数类。
SMOTE 的工作原理是在现有的少数类样本之间进行插值。 例如，如果一个数据集有 1,000 个“正常”交易和 50 个“欺诈”交易，SMOTE 将生成合成的欺诈示例。 它选择一个少数类实例，识别其 k 个最近邻（例如，k=5），并沿着连接它们的线创建新的点。 这种方法引入了可变性，而不仅仅是复制数据，这可能导致过度拟合。 开发人员通常使用 Python 中的 imbalanced-learn 等库来实现 SMOTE，并在预处理期间应用它以确保平衡的训练数据。 然而，SMOTE 的有效性取决于数据结构——它最适合数值特征，并且可能难以处理分类数据或高度重叠的类。
虽然 SMOTE 与通用数据增强具有增强数据的共同目标，但它们的使用场景不同。 传统的增强在计算机视觉（例如，翻转图像）或 NLP（例如，同义词替换）等领域很常见，在这些领域，转换会保留原始含义。 相比之下，SMOTE 仅限于分类任务和表格数据。 例如，使用 SMOTE 增强医疗数据集可能会创建从真实案例插值的实验室值的合成患者记录，而图像增强会调整像素值。 当类别不平衡是主要问题时，开发人员应选择 SMOTE，而当提高泛化能力是目标时，应选择特定于领域的数据增强。 这两种技术可以组合使用——例如，使用 SMOTE 来平衡类别，然后应用噪声来进一步使数据多样化。