如何修复11分类任务中SMOTE过采样的samples < K-neighbours错误？

嗨，我来帮你拆解一下这个问题～这个错误的核心原因其实很直白：你的11个分类标签里，存在某个极端少数类，它的样本数量只有1个，但SMOTE默认会用6个近邻（k_neighbors=6）来生成新的合成样本——样本数连找近邻的数量都不够，自然就报错了。

为什么小数据集没问题？ #

你在10万行4标签的数据集上能正常运行，是因为那4个标签的每个类别样本数都≥6，满足SMOTE找近邻的最低要求；但当前11标签的数据集里，有某个类别的样本数只有1，完全达不到默认的近邻数量要求，才会触发这个报错。

怎么验证这个结论？ #

先统计每个类别的样本数量，找到那个拖后腿的极端少数类：

import pandas as pd

# 如果你的Y_f是one-hot编码的多分类标签，先转成单类别索引
Y_labels = Y_f.argmax(axis=1)
# 统计每个类别的样本数
class_counts = pd.Series(Y_labels).value_counts()
print(class_counts)

运行后你肯定能看到某个类的样本数是1，这就是问题根源。

针对性解决方案 #

根据你的需求和试过的方法，给你几个可行的方向：

1. 先处理极端少数类，再用SMOTE

如果那个只有1个样本的类别业务优先级不高，可以直接删除该类的样本：

# 假设极端少数类是类别9，筛选掉该类样本
idx = Y_labels != 9
X_f_filtered = X_f[idx]
Y_f_filtered = Y_f[idx]

# 再跑SMOTE就不会报错了
sm = SMOTE(random_state=42)
X_res, Y_res = sm.fit_resample(X_f_filtered, Y_f_filtered)

如果必须保留这个类别，可以先用RandomOverSampler给它先随机过采样到至少6个样本，再用SMOTE处理整体不平衡：

from imblearn.over_sampling import RandomOverSampler

# 先给极端少数类（比如类别9）采样到6个样本
ros = RandomOverSampler(sampling_strategy={9: 6}, random_state=42)
X_ros, Y_ros = ros.fit_resample(X_f, Y_labels)

# 再用SMOTE处理其他不平衡类别
sm = SMOTE(random_state=42)
X_res, Y_res = sm.fit_resample(X_ros, Y_ros)

2. 调整SMOTE的近邻参数

如果你不想修改数据集，可以把SMOTE的k_neighbors参数调低到≤1（因为那个类只有1个样本），但这种方法生成的合成样本质量会很差，不推荐作为长期方案：

sm = SMOTE(random_state=42, k_neighbors=1)
X_res, Y_res = sm.fit_resample(X_f, Y_f)

3. 尝试更适合极不平衡场景的过采样方法

比如ADASYN，它和SMOTE类似，但会根据样本的难分程度生成不同数量的合成样本，对极端少数类的处理更灵活：

from imblearn.over_sampling import ADASYN

ada = ADASYN(random_state=42, n_neighbors=1)
X_res, Y_res = ada.fit_resample(X_f, Y_f)

关于你试过的方法的补充说明 #

• SVMSMOTE太慢：这个方法需要先训练SVM来筛选支持向量，本身计算量就极大，不适合200万行的大数据集，放弃是对的；
• RandomOverSampler准确率低：随机过采样只是简单复制样本，很容易导致模型过拟合，所以准确率低是正常的，建议结合SMOTE使用（先随机补全极端少数类，再用SMOTE合成其他少数类样本）；
• 调整sampling_strategy无效：可能是你没针对那个只有1个样本的类别单独设置目标数量，比如你可以指定sampling_strategy={9: 10}，但前提是该类的原样本数要≥k_neighbors，否则还是会报错。

内容的提问来源于stack exchange，提问作者cappy0704