所以我有一个形状数据集（430,17），它由 13 个类（不平衡）和 17 个特征组成。最终目标是创建一个 NN，当我导入不平衡数据集时它会起作用，但是当我尝试在 jupyter notebook 中使用 SMOTE 对少数类进行过度采样时，这些类确实得到了平衡，但形状也会发生变化。

from imblearn.over_sampling import SMOTE
from sklearn.preprocessing import OneHotEncoder
from imblearn.pipeline import Pipelineenter 

steps = [('onehot', OneHotEncoder()), ('smt', SMOTE())]
pipeline = Pipeline(steps=steps)

X_res, y_res = pipeline.fit_resample(X, y)

y_res 形状是 (754,) 从 y 形状是 (430,)，所以上采样工作，也通过检查：

unique, counts = np.unique(y_res, return_counts=True)
print(np.asarray((unique, counts)).T)

班级已经平衡。但是，X_res 形状现在已从 (430, 17) 的 X 形状更改为 (754, 5553)。然后，如果我将这些数据放入我的 NN 中，它当然不起作用，因为我的输入层的 input_dim 已经改变。

我的问题是，SMOTE 过程是否不仅添加了行来平衡类，还添加了列？ 我不应该得到形状为 (754, 17) 的 X_res 吗？并且因为我需要为 NN 提供这些数据，所以它们必须是数组或 numpys，而不是 pd.dataframes，这也很难理解 5553 列的来源。

我是 python 和 jupyter 的新手，所以我不知道如何解决这个问题，我非常感谢任何帮助:)