数据处理：样本均衡化技术 — SMOTE与随机采样

在机器学习任务中，样本均衡化是一个常见的挑战。当不同类别的样本数量差异较大时，模型的表现可能会受到影响。为了解决这个问题，可以使用过采样和欠采样技术来调整样本分布，使其更加均衡。本文将介绍两种常用的样本均衡化方法：SMOTE（Synthetic Minority Over-sampling Technique）和随机采样，并提供相应的源代码。

1. SMOTE（Synthetic Minority Over-sampling Technique）
   SMOTE是一种过采样技术，它通过合成新的少数类样本来增加样本数量，以达到样本均衡化的目的。SMOTE算法的基本思想是对于每个少数类样本，从其K近邻中选择若干个样本点，然后在这些样本点之间进行插值，生成新的少数类样本。

下面是使用Python实现的SMOTE算法示例代码：

from imblearn.over_sampling import SMOTE

# 假设X为特征矩阵，y为标签
X_resampled