在深度学习中，样本不均衡问题是一个常见的挑战，尤其是在你的老虎机任务中，某些的中奖倍数较高

在深度学习中，样本不均衡问题是一个常见的挑战，尤其是在你的老虎机任务中，某些的中奖倍数较高而其他的中奖倍数较低。这种不均衡会导致模型偏向于高频样本（低中奖倍数的），而忽略低频样本（高中奖倍数的）。以下是 SMOTE 过采样 和 损失函数加权 的具体实现方法：

---

1. SMOTE 过采样

SMOTE（Synthetic Minority Over-sampling Technique）是一种过采样技术，通过对少数类样本进行插值来生成新的合成样本，从而平衡数据集。

SMOTE 的步骤：

1. 选择少数类样本：
      - 对于每个少数类样本 ( x_i )，找到其 ( k ) 个最近邻（通常 ( k = 5 )）。
2. 生成合成样本：
      - 随机选择一个最近邻 ( x_{zi} )，并在 ( x_i ) 和 ( x_{zi} ) 之间进行线性插值：
        [
        x_{\text{new}} = x_i + \lambda \cdot (x_{zi} - x_i)
        ]
        其中，( \lambda ) 是一个随机数（( 0 < \lambda < 1 )）。
3. 重复生成：
      - 重复上述过程，直到少数类样本的数量与多数类样本的数量接近。

Python 实现：

使用 imbalanced-learn 库中的 SMOTE 实现：

from imblearn.over_sampling import SMOTE
import numpy as np# 假设 X 是特征数据，y 是标签数据
X = np.array([[1, 2], [2