SMOTE (Synthetic Minority Oversampling Technique) crea nuevos ejemplos sintéticos de la clase minoritaria interpolando entre ejemplos reales existentes de esa clase, en lugar de simplemente duplicar los ejemplos ya disponibles, para equilibrar mejor la cantidad de observaciones de cada categoría.
Por qué es preferible a duplicar ejemplos existentes
Duplicar exactamente los mismos ejemplos minoritarios puede llevar a que el modelo memorice esos casos específicos en lugar de aprender un patrón general. Al generar ejemplos sintéticos ligeramente distintos entre observaciones reales, SMOTE ayuda al modelo a aprender una región más amplia y representativa del espacio de esa clase minoritaria.