机器学习数据处理与GAN搭建全攻略
1. 数据处理技术
在机器学习领域，数据处理是一项至关重要的工作，它能显著提升模型的性能和泛化能力。以下是几种常见的数据处理技术：
-随机过采样：随机过采样通过随机复制少数类的实例，增加少数类的样本数量，直至其分布与多数类相匹配。不过，这种采样方法可能会产生偏差，因此了解其潜在策略十分重要。
-合成少数过采样技术（SMOTE）：当简单地复制少数类样本或减少多数类样本不足以解决问题时，SMOTE技术就派上用场了。它通过创建少数类的合成样本来处理数据不平衡问题。
-集成技术：集成技术涉及使用多个学习器组成一个集合，以产生综合输出。
-Bagging：Bagging通过对较小的数据集进行采样，使其分布与较大数据集相匹配。然后在这些小数据集上训练算法，最后将结果融合成一个决策。需要注意的是，Bagging仅对有能力的学习器有效，学习一堆糟糕的模型只会导致糟糕的结果。
-Boosting：Boosting通过组合弱学习器的决策或输出，产生强大的输出。它会对不同学习器的输出进行加权，以提高集合的输出，直到满足某些停止条件。
-AdaBoost：自适应提升（AdaBoost）本质上是在提升步骤中应用规则，使集合能够适应不同的异常情况进行预测。但该技术对规则集和数据中的极端离群值较为敏感。
2. Scikit-learn中的不平衡学习库
Scikit
