我的数据集非常不平衡。两个少数类各自包含多数类一半的样本量。我的RNN模型无法学习到最少人口类别的任何信息。

我正在尝试使用imbalanced-learn库。例如：

sm = SMOTE(random_state=42, n_jobs=-1, k_neighbors=10)X_train, y_train = sm.fit_resample(train.drop(['label], axis=1), train['label'])

如果train.drop(['label]仅包含所用特征的值，则上述代码有效。问题是我的DataFrame中包含一个额外的列，其值为字符串：我不能删除它，因为这些字符串是我的RNN的输入。如果我删除它，我就无法确定这些字符串在过采样数据集的哪一行中。

有没有办法保留所有列，并告诉函数使用哪些列进行过采样？

回答：

对于需要做类似事情的人，该库的共同作者建议我使用SMOTENC，它也可以处理分类变量（如字符串）。