ADASYN 算法根据少数类样本的分布自适应地改变不同少数类样本的权重，自动地确定每个少数类样本需要合成新样本的数量，为较难学习的样本合成更多的新样本，从而补偿偏态分布。

一、算法步骤

1、计算类别不平衡的程度

ms是少数类的数量，ml是多数类的数量

2、定义dth为目前类别不平衡程度的最大阈值

        如果 d < dth（即发生不平衡）

        ①、计算需要为少数类生成的合成数据样本的数量：

                β∈[0，1]是用于指定生成合成数据后所需的平衡水平的参数。

                β=1表示在泛化过程之后创建完全平衡的数据集。

        ②、对少数类中的每个样本Xi，根据欧式距离找出其K个最近邻样本，计算ri

                其中Δi是xi的K个最近邻中属于多数类的样本

        ③、计算ri均值

       ④、计算每个Xi需要生成的样本数

             其中G是如第一步公式中定义的需要为少数类生成的合成数据样本的总数。

       ⑤、从1循环到gi，生成xi的新样本

              从数据的K个最近邻居中随机选择一个少数类样本xzi，参与新样本si的计算。λ是一个随机数

二、未来研究点

        ADASYN与基于集成的学习算法相结合。为此，需要使用Bootstrap采样技术对原始训练数据集进行采样，然后将ADASYN嵌入到每个采样集以训练假设。最后，可以使用类似于AdaBoost.M1[35][36]的加权组合投票规则来组合来自不同假设的所有决策，以获得最终预测输出。

       ADASYN也可以推广到多类不平衡学习问题

       还可以对ADASYN算法进行修改，以便于增量学习应用。在这种情况下，学习算法应该有能力积累以前的经验，并使用这些知识来学习额外的新信息，以帮助预测和未来的决策过程。