SMOTE（Synthetic Minority Over-sampling Technique）は、機械学習の不均衡データ問題を解消するためのデータ前処理手法です。少数派クラスの実データ間を補間するように新たな疑似データを人工的に合成し、データの偏りを緩和します。単純な複製と異なり、過学習を防ぎつつ分類モデルの精度を向上させることができます。
SMOTEとは
SMOTEは、不均衡データにおいて数が少ない少数派クラスのデータを、既存データの特徴空間を補間することによって人工的に合成し、クラス間のバランスを整える前処理技術です。
詳しく解説
機械学習の分類問題において、例えば正常データが99%で異常データが1%というような極端な不均衡データをそのまま学習させると、モデルは多数派クラスに偏った予測を行いやすくなります。この問題を解決するため、SMOTEはk近傍法を利用して、少数派データの中から互いに近いデータを探索し、それらのデータ点を結ぶ直線上のランダムな位置に新しい疑似データを合成します。単に既存データを複製するランダム・オーバーサンプリングとは異なり、データに多様性を持たせることができるため、学習モデルの汎化性能を損なわずに分類精度を向上させることができます。
具体例・使われ方
具体例として、クレジットカードの不正利用検知や、医療診断における希少疾病の判定、製造ラインでの異常検知などが挙げられます。これらのタスクでは、検出したい対象（不正、疾患、不良品）のデータが圧倒的に不足しているため、SMOTEを用いて少数派データを擬似的に増やし、識別モデルの学習を安定させます。
似た用語との違い
混同されやすい手法にランダム・オーバーサンプリングとアンダーサンプリングがあります。前者は既存の少数派データを単純に複製するため、同じデータが繰り返されることで過学習を引き起こしやすくなります。後者は多数派クラスのデータをランダムに削除して均衡を保ちますが、重要な情報が失われる欠点があります。SMOTEは情報を失うことなく、かつ過学習を防ぎながらデータを増やせる点で優れています。
注意点
注意点として、少数派クラスのデータにノイズ（外れ値）が含まれている場合、そのノイズの周辺にも誤った疑似データを合成してしまうため、決定境界が歪んで分類精度が低下することがあります。また、テキストやカテゴリ変数（連続値ではないデータ）にそのまま適用することは難しく、適切な距離計算が定義できない場合は、適用にあたり工夫が必要です。