关于#安装imbalanced-learn#的问题，如何解决？

#安装imbalanced-learn包

!pip install imbalanced-learn
Requirement already satisfied: imbalanced-learn in d:\python\lib\site-packages (0.11.0)
Requirement already satisfied: numpy>=1.17.3 in d:\python\lib\site-packages (from imbalanced-learn) (1.25.2)
Requirement already satisfied: scipy>=1.5.0 in d:\python\lib\site-packages (from imbalanced-learn) (1.11.1)
Requirement already satisfied: scikit-learn>=1.0.2 in d:\python\lib\site-packages (from imbalanced-learn) (1.3.0)
Requirement already satisfied: joblib>=1.1.1 in d:\python\lib\site-packages (from imbalanced-learn) (1.2.0)
Requirement already satisfied: threadpoolctl>=2.0.0 in d:\python\lib\site-packages (from imbalanced-learn) (2.2.0)

from imblearn.over_sampling import SMOTE
输出显示错误cannot import name '_check_X' from 'imblearn.utils._validation' (D:\python\Lib\site-packages\imblearn\utils\_validation.py)

如何解决？

【相关推荐】



  • 关于该问题，我找了一篇非常好的博客，你可以看看是否有帮助，链接：关于imbalanced-learn的安装
  • 除此之外, 这篇博客: 深入理解机器学习——类别不平衡学习（Imbalanced Learning）：常用技术概览中的 一类分类技术 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

    与传统的分类技术不同，一类分类技术仅采用隶属于一个类别的样本来训练分类器，其通常被用于某种极端场景，即训练样本仅包含正常样本，而异常样本不可得的情况。该技术也已被用于解决极度不平衡分类问题，因为在此类问题上，传统的类不平衡学习方法通常不能取得较好的分类效果。目前，最为常用的一类分类器包括基于高斯概率密度估计的方法、基于Parzen窗的方法、自编码器法、基于聚类的方法、基于K近邻的方法、一类支持向量机、支持向量数据描述法及一类极限学习机等。无论哪种方法，都是用于刻画一个覆盖关系，从而更好地描述正常样本的分布，使之与异常样本区分开来。下图给出了一个一类分类器的示意图。从该图中不难看出，训练样本均属于同一类，一类分类技术就要找到一个覆盖模型来区分该类样本与未出现的异常样本。特别需要指出的是，为了保证分类器的泛化性能，可以允许一定比例的离群样本被误分。
    一类分类技术


如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^