Class Imbalance Learning: SMOTE 的原理是什么？有什么风险。

Core Concept: 在少数类近邻之间线性插值生成合成样本；风险是噪声放大、类别重叠区生成错误样本。

SMOTE 的算法：对每个少数类样本 xᵢ，找其 k 个少数类近邻；随机选一个近邻 x_nn，在两者连线上随机插值生成新样本 x_new=xᵢ+λ(x_nn−xᵢ)（λ~U(0,1)）。<strong>核心思想</strong>是'在少数类的局部邻域内扩充'，而非简单复制（复制会导致对特定样本的过拟合）。<strong>风险与局限</strong>：① <strong>高维失效</strong>——高维下近邻概念不可靠（维度灾难），生成的样本可能落在无意义的区域；② <strong>类别重叠区</strong>——若少数类与多数类边界重叠，插值可能生成落在多数类区域的'错误标签'样本（因为近邻中可能混有少数类的离群点）；③ <strong>噪声放大</strong>——若少数类含标签噪声，SMOTE 会在噪声点周围生成更多噪声；④ <strong>不适用于类别特征</strong>——线性插值对 one-hot/类别特征无意义（需 SMOTE-NC 或用专门方法）；⑤ <strong>可能加剧过拟合</strong>——合成样本与原始样本高度相关，若不做 CV 内处理会导致评估泄漏。

变体与替代方案：① <strong>Borderline-SMOTE</strong>——只对'边界附近'的少数类样本做合成（这些样本最易被误判），避免在安全区域生成冗余样本；② <strong>ADASYN</strong>——按'被误判难度'自适应决定每个少数类样本生成多少样本（难分的生成更多）；③ <strong>SMOTE-NC</strong>——处理混合数值与类别特征；④ <strong>SMOTE + Tomek Links / ENN</strong>——合成后再用数据清洗删除边界上的噪声样本（混合采样）；⑤ <strong>替代方案</strong>——<strong>类权重/Focal Loss</strong> 通常更简单有效且无合成风险；<strong>集成方法</strong>（EasyEnsemble 对多个欠采样子集训练后集成）在极端不平衡下表现好；<strong>异常检测视角</strong>（单类 SVM、孤立森林）适合'少数类是异常'的场景。⑥ <strong>实践建议</strong>——先用类权重与阈值调整；若效果不足再试 SMOTE（并在 CV 折内）；始终用 PR-AUC 或业务指标评估。