处理多类不平衡数据的方法（不使用SMOTE算法）

在机器学习中，当面临多类不平衡数据的情况时，即不同类别的样本数量差异较大时，我们可以采用一些其他方法来处理这个问题，而不仅仅依赖于SMOTE算法。下面将介绍一些常用的处理多类不平衡数据的方法，并提供相应的源代码。

1. 类别重采样
   类别重采样是处理不平衡数据最常见的方法之一。它包括两个步骤：过采样（Oversampling）和欠采样（Undersampling）。

   • 过采样：通过增加少数类样本的数量来平衡数据集。一种简单的过采样方法是随机复制少数类样本，使其数量与多数类样本相当。这可以通过随机采样技术来实现，例如随机复制、SMOTE（Synthetic Minority Over-sampling Technique）等。下面是一个使用随机复制进行过采样的示例代码：

     import numpy as np
     
     def random_oversampling(X, y, ratio=