2002年，引入了一种基于抽样的算法SMOTE（Synthetic Minority Over-Sampling Technique），试图解决类不平衡问题。由于其简单性和有效性，它是最常用的方法之一。它是过采样和欠采样的组合，但过采样方法不是复制少数类，而是通过算法构造新的少数类数据实例。

在传统的过采样中，少数类正在被复制。在SMOTE中，以这种方式构造新的少数派实例：

构造算法背后的直觉是过采样导致过度拟合，因为重复实例导致决策边界收紧。相反，我们将创建“类似”的示例。对于机器学习算法，这些新构造的实例不是精确的副本，因此软化了决策边界。这可以说明如下：

结果，分类器更通用并且不会过度拟合。