SMOTE

SMOTE - Técnica de superamostragem de minorias sintéticas

O SMOTE (Synthetic Minority Oversampling Technique) é um algoritmo usado no aprendizado supervisionado para resolver problemas de desequilíbrio de classe em conjuntos de dados. O desequilíbrio de classe ocorre quando o conjunto de dados contém mais ou menos instâncias de uma classe do que de outra. O SMOTE funciona gerando instâncias sintéticas (não existentes) ao longo da direção da linha que une duas instâncias existentes, dos dados da classe minoritária no conjunto de dados.

É uma técnica utilizada para reduzir a probabilidade de um classificador prever uma classe incorretamente. O SMOTE é vantajoso porque permite uma amostragem artificial da classe minoritária, o que é útil quando os dados da classe são escassos. A técnica funciona pegando uma amostra aleatória da classe minoritária (vizinhos próximos) e, em seguida, criando pontos de dados sintéticos que são adicionados à classe minoritária com recursos aleatórios que são sintetizados ao longo da direção do vetor da classe minoritária para os vizinhos mais próximos na classe majoritária.

O método provou ser eficaz ao lidar com conjuntos de problemas que são extremamente desequilibrados ou que têm um limite de decisão não linear. O SMOTE é especialmente útil quando há muitas amostras da classe majoritária, mas não há amostras suficientes da classe minoritária. Ele pode melhorar a precisão e reduzir a tendência dos classificadores, bem como reduzir o custo de erros falsos positivos.

Devido à sua eficácia, o SMOTE passou a ser amplamente utilizado em vários campos, como visão computacional, finanças e ecotoxicologia. Ele também é amplamente utilizado em casos de uso de aprendizado de máquina e análise preditiva nas áreas de programação de computadores e segurança cibernética.