在执行SMOTE，python之前，如何删除少于几个示例的少数类

问题描述

我有一个数据集，其中包含100列作为从word2vec生成的特征向量（100D特征向量），我的目标是我数据集中向量的每一行的分类变量。现在，我的数据集共有大约1000个不同的类别变量，行数大约为75000。数据集的问题在于它高度不平衡，除了前200个类别变量之外，其余所有类的样本都很少，{ {1}}。

现在，我想使用SMOTE对这些数据执行过采样，以生成少数类的更多示例。 some classes have less than 6 samples，因为这是SMOTE给出值错误的地方。有什么办法可以在代码中处理它，以便在执行SMOTE时可以忽略少于6个样本的那些类？这样做是否有助于解决我目前面临的错误？

代码和错误消息供参考：

I want to ignore the classes that have less than 6 sample examples

尽管我已设置k_neighbors = 1

，但目前

dataset = pd.read_csv(r'C:\vectors.csv')
X = dataset.iloc[:,3:103]
y = dataset.iloc[:,0]
from imblearn.over_sampling import SMOTE
smote = SMOTE(k_neighbors = 1)       
smote_Xtrain,smote_y_train = smote.fit_sample(X,y)

出现此错误

对此的任何帮助将不胜感激

解决方法

您可以使用以下命令查看每个班级的唯一条目，并对它们进行计数：df['VARIABLE'].value_counts(dropna=False)（如果您不想显示NaN，请旋转dropna=True）。

然后，您可以自己创建算法，设置阈值，并自动删除出现的阈值以下的类，或者将其放入新的大类“ Other”中

machine-learning nlp python smote valueerror