概念Synthetic Minority Over-sampling Technique / 合成少数类过采样技术
SMOTE
一种处理类别不平衡数据集的过采样技术，通过在少数类样本间进行插值合成新样本，以平衡数据分布，提升分类模型对少数类的识别能力
时间轴 (近 90 天)
9月11日
SMOTE由Chawla等人于2002年提出
待验证50%
9月11日
研究发现PCA对模型整体性能的贡献大于SMOTE
待验证50%
9月11日
SMOTE能够提升召回率，但可能引入假阳性，从而在准确率上做出妥协
待验证50%
9月11日
研究采用SMOTE合成少数类过采样技术和PCA主成分分析进行数据预处理
待验证50%
9月11日
研究设计了四种混合预处理配置进行对比：仅归一化、SMOTE平衡、PCA变换、SMOTE与PCA结合
待验证50%
9月11日
KNN最适合SMOTE与PCA结合的预处理方式
待验证50%
9月11日
在高维医疗数据中，为少数类设置更高的类别权重或使用Focal Loss等自适应损失函数，通常比SMOTE过采样更稳健
待验证50%
9月7日
在面对高度不平衡的分类数据集时，应考虑SMOTE过采样或调整评估指标从准确率转向F1分数
待验证50%
全部知识事实 (9)
待验证
SMOTE算法通过在少数类样本之间插值生成合成样本来实现过采样
60%待验证SMOTE由Chawla等人于2002年提出
50%待验证研究发现PCA对模型整体性能的贡献大于SMOTE
50%待验证SMOTE能够提升召回率，但可能引入假阳性，从而在准确率上做出妥协
50%待验证研究采用SMOTE合成少数类过采样技术和PCA主成分分析进行数据预处理
50%待验证研究设计了四种混合预处理配置进行对比：仅归一化、SMOTE平衡、PCA变换、SMOTE与PCA结合
50%待验证KNN最适合SMOTE与PCA结合的预处理方式
50%待验证在高维医疗数据中，为少数类设置更高的类别权重或使用Focal Loss等自适应损失函数，通常比SMOTE过采样更稳健
50%待验证在面对高度不平衡的分类数据集时，应考虑SMOTE过采样或调整评估指标从准确率转向F1分数
50%