SMOTE（Synthetic Minority Over-sampling Technique，合成少数类过采样技术）是一招专门对付类别不平衡（class imbalance）的数据增广方法：它不复制已有的少数类样本，而是在两个少数类样本之间“插值”，凭空造出新的合成样本。
它具体怎么造样本
假设你在训练一个欺诈识别模型，10000 笔交易里只有 50 笔是欺诈。模型见多了“正常”，就会懒得分“异常”。
SMOTE 的做法分四步：
1. 对每一个少数类样本 x，在少数类内部找它的 k 个最近邻（k 常取 5）；
2. 从这 k 个邻居里随机挑一个 x'；
3. 在 x 和 x' 的连线上随机取一个点：x_new = x + λ(x' − x)，λ 是 0 到 1 之间的随机数；
4. 重复到少数类数量达到你想要的比例。
打个比方：少数类样本像地图上几家分散的便利店。想让“店铺”变多，直接复制就是同一个地址挂两块招牌——数量涨了，信息一点没多。SMOTE 的做法是沿着两家现有门店之间的路新开一家，把覆盖的空隙填上一点。
和相邻概念的区别
| 方法 | 做法 | 主要问题 |
|---|---|---|
| 随机过采样 | 复制少数类样本 | 重复点导致过拟合，决策边界过窄 |
| 随机欠采样 | 丢掉部分多数类样本 | 浪费数据，丢掉有用模式 |
| SMOTE | 在少数类之间插值 | 合成点可能落进多数类区域，变成噪声 |
| 类别权重／阈值调整 | 不改数据，改损失权重或判定阈值 | 不改变数据分布，但对高维和稀疏场景也管用 |
什么时候好用，什么时候会翻车
适合的场景：少数类样本本身有一定数量、分布大致成团、特征以数值型为主、维度不太高。
容易翻车的情况：少数类里混有噪声或离群点，邻居本身就是异常点，插值出来还是噪声；少数类分成几个相距很远的子簇，跨簇插值会造出“四不像”；特征大多是类别型时，欧氏距离没什么意义，得用能处理类别特征的变体；维度很高时，最近邻本身就不可靠。
围绕它还有一批改进版，思路基本是“只在不那么危险的区域插值”或“按难度自适应地决定插多少”，按需查官方文档和论文即可。
给从业者的三条提醒
1. 只在训练集上做。先用原始数据切好训练／验证／测试，再对训练集做 SMOTE。对验证集或测试集做，就是数据泄漏，指标会很好看，上线就崩。
2. 别只看准确率。不平衡场景下准确率会骗人，看召回率、PR-AUC 这类指标更实在。
3. 先试代价敏感学习。调整类别权重、移动判定阈值往往更省事，SMOTE 是常被提起的一招，但不必是第一招。
一句话收尾：SMOTE 用“插值”换来了更多样的少数类样本，代价是可能引入噪声——它是一把好用的工具，不是不平衡问题的万能钥匙。