資料預處理中，有一個原理很簡單但是非常重要的部分：取樣。良好的取樣可以讓資料集變得平衡，會大大的提高預測和分類的效果。
取樣是很複雜的一個領域，背後涉及到資料的分佈/資料的性質等很多內容。常見的取樣有：
Simple Random Sampling(簡單隨機取樣)，
OfflineSampling(離線等可能K取樣)，
Online Sampling(線上等可能K取樣)，
Ratio-based Sampling(等比例隨機取樣)，
Acceptance-RejectionSampling(接受-拒絕取樣)，
Importance Sampling(重要性取樣)，
MCMC(MarkovChain Monte Carlo 馬爾科夫蒙特卡羅取樣演算法)。

• 簡單有放回隨機取樣

Filter支援多種取樣方式，其中有監督的取樣比較複雜，因此主要講解有監督學習取樣方法。Filter中的Resample取樣就是簡單的有放回抽樣。
其引數有下面幾個：

 -S <num>
  Specify the random number seed (default 1)
  指定隨機數種子，隨機數種子相同，則取樣結果相同。
 -Z <num>
  The size of the output dataset, as a percentage of
  the input dataset (default 100)
  指定取樣資料佔整個資料的比例。
 -B <num
 
>
  Bias factor towards uniform class distribution.
  0 = distribution in input data -- 1 = uniform distribution.
  (default 0)
  是否按照原來資料類別的分佈分層抽樣。
 -no-replacement
  Disables replacement of instances
  (default: with replacement)
 -V
  Inverts the selection - only available with '-no-replacement'
 
.

由以上引數可以看出，Weka支援的比例好像最小為1%，其實並不是，你可以使用小數實現更低的取樣比。此外，你可以將取樣比例設定成大於100%，如果你這樣做了，那麼你的結果資料集將會出現重複的資料。這樣是沒有意義的。

使用Resample進行取樣是比較簡單的，下面是一個例子：

 public static Instances BoostrapSample(Instances data) {
        String[] options = {"-S",1};
        Resample convert = new Resample();
        try {
            convert.setOptions(options);
            convert.setInputFormat(data);
            data = Filter.useFilter(data, convert);
        } catch (Exception e) {
            e.printStackTrace();
        }
        return data;
    }

• SMOTE取樣
  隨機取樣比較簡單，其實Weka還支援一種附加的取樣方法，在Weka3.6版本以下，這個功能嵌入在Weka包裡，Weka3.7版本開始，這個功能需要額外的第三方包的支援，這種取樣就是SMOTE取樣。
  SMOTE演算法的思想是合成新的少數類樣本，合成的策略是對每個少數類樣本a，從它的最近鄰中隨機選一個樣本b，然後在a、b之間的連線上隨機選一點作為新合成的少數類樣本。 這是一種過取樣方法，通過製造更多模擬的少數類樣本來實現各個樣本之間的平衡。
  下圖是其主要思想的形式化表示：
  
  在Weka3.7版本，你必須先新增第三方包，最簡單的方法就是新增一個新的maven依賴：

<dependency>
    <groupId>nz.ac.waikato.cms.weka</groupId>
    <artifactId>SMOTE</artifactId>
    <version>1.0.3</version>
</dependency>

SMOTE取樣實現程式碼如下：

public static Instances SMOTESample(Instances data,int normalElemFlag) {
        SMOTE convert = new SMOTE();
        int seed = (int) (Math.random() * 10);
        String[] options = {"-S", String.valueOf(seed), "-P", "100.0", "-K", "5"};
        Instances SmoteInstances = null;
        try {
            convert.setOptions(options);
            convert.setInputFormat(data);
            SmoteInstances = Filter.useFilter(data, convert);
        } catch (Exception e) {
            e.printStackTrace();
        }
        return SmoteInstances;
    }

需要注意的是，在執行完畢SMOTE取樣之後，多數類樣本並不會隨之減少，因此，如果你想讓多數類和少數類樣本平衡，就必須再使用簡單取樣丟棄多餘的多數類樣本。