人工智能：描述你如何处理不平衡数据集以提高机器学习模型的准确性？

处理不平衡数据集是机器学习中的一个重要问题，因为模型可能会偏向于多数类，导致对少数类的预测不准确。以下是一些处理不平衡数据集以提高模型准确性的技术：

1. 数据重采样（Resampling）

**过采样少数类（Oversampling Minority Class）**：
- 使用`imbalanced-learn`库中的`SMOTE`（Synthetic Minority Over-sampling Technique）技术生成合成样本。
- 代码示例：
 

from sklearn.metrics import classification_report
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))

**欠采样多数类（Undersampling Majority Class）**：
- 减少多数类的样本数量，使其与少数类平衡。
- 代码示例：

  ```python
  from imblearn.under_sampling import RandomUnderSampler
  under_s