Python 使用ADASSYN算法对多类数据进行过采样失败

下面我有一个非常基本的脚本来演示这个问题：

from imblearn.over_sampling import ADASYN
import pandas as pd, numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split


data = pd.read_csv('glass.csv')
classes = data.values[:, -1]
data = data.iloc[:, :-1]

adasyn = ADASYN(sampling_strategy='not majority', random_state=8, n_neighbors=3)

new_data, new_classes = adasyn.fit_resample(data, classes)

X_train, X_test, y_train, y_test = train_test_split(new_data, new_classes, test_size = 0.20)

rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
print("Score: {}".format(rfc.score(X_test, y_test)))

其目的是平衡以下阶级的不平衡：

(214, 10)
Class=1, Count=70, Percentage=32.710%
Class=2, Count=76, Percentage=35.514%
Class=3, Count=17, Percentage=7.944%
Class=5, Count=13, Percentage=6.075%
Class=6, Count=9, Percentage=4.206%
Class=7, Count=29, Percentage=13.551%

有相等（或接近相等）的样品。但是，运行上述代码会产生：

ValueError：提供的比率设置不会生成任何样本。

将

ADASYN

的

sampling\u策略

更改为

minority

成功地对

minority

类

6

进行过采样，并将其带到

74

样本，但仍然使其余类不平衡。因此，我正在寻找一种使用ADASYN对所有少数民族类进行完全过采样的方法

“非多数”：对除多数类以外的所有类重新采样

但这显然没有发生。
为了解决这一问题，我所做的是对除了两个主要多数阶级以外的所有人重新取样，并通过以下方式继续进行取样：

adasyn = ADASYN(sampling_strategy='minority', random_state=8, n_neighbors=3)

new_data = data
new_classes = classes

for i in range(len(classes)-2):
    new_data, new_classes = adasyn.fit_resample(data, classes)