smote的matlab代码ND DIAL：不平衡算法 用于不平衡学习的基于 Python 的极简算法实现。 包括深度和表征学习算法（通过 TensorFlow 实现）。 下面是当前实现的方法的列表。 欠采样 带/不带替换的随机多数欠采样 过采样 SMOTE - 合成少数过采样技术 DAE - 去噪自编码器 ( TensorFlow ) GAN - 生成对抗网络 ( TensorFlow ) VAE - 变分自动编码器（ TensorFlow ） 集成采样 RAMOBoost RUSBoost SMOTEBoost 参考： : NV Chawla、KW Bowyer、LO Hall 和 P. Kegelmeyer。 “SMOTE：合成少数过采样技术。” 人工智能研究杂志 (JAIR)，2002。 ：P. Vincent、H. Larochelle、I. Lajoie、Y. Bengio 和 P.-A. 曼扎戈尔。 “堆叠降噪自动编码器：在具有局部降噪标准的深度网络中学习有用的表示”。 机器学习研究杂志 (JMLR)，2010 年。 ：IJ Goodfellow、J. Pouget-Ab

机器学习对不平衡数据学习处理方案，imbalanced-learn是一个python软件包， 提供了一些数据集中常用的重新采样技术，显示出强烈的不平衡性。它与scikit-learn兼容，是scikit-learn-contrib 项目的一部分。

以下附上不平衡数据学习的4篇综述论文，非常有阅读价值。针对不平衡数据集解决方法主要分为两个方面：第一种方案主要从数据的角度出发，主要方法为抽样，既然我们的样本是不平衡的，那么可以通过某种策略进行抽样，从而让我们的数据相对均衡一些；第二种方案从算法的角度出发，考虑不同误分类情况代价的差异性对算法进行优化，使得我们的算法在不平衡数据下也能有较好的效果。