Al utilizar métodos de aprendizaje automático para realizar predicciones, es común encontrar el problema de tamaños de muestra pequeños o muestras de observación altamente ruidosas. Los métodos actuales de expansión de muestra no pueden manejar bien el problema del ruido de los datos. Proponemos un método de expansión de muestra multipath (AMLI) basado en la idea de interpolación lineal, que resuelve principalmente el problema de tamaño de muestra de predicción insuficiente o gran error entre la muestra observada y la distribución real. La lógica del método AMLI es dividir el espacio de características original en varios subespacios con muestras iguales, extraer aleatoriamente una muestra de cada subespacio como una clase, y luego realizar interpolación lineal en las muestras de la misma clase (es decir, interpolación lineal de -path). Después del procesamiento AMLI, las muestras válidas se expanden enormemente, se ajusta la estructura de la muestra, y se reduce el ruido promedio de las muestras para mejorar el efecto de predicción del modelo de aprendizaje automático. Los hiperparámetros de este método tienen una explicación intuitiva y generalmente requieren poca calibración. Comparamos el método propuesto con una variedad de métodos de predicción de aprendizaje automático y demostramos que el método AMLI puede mejorar significativamente el resultado de la predicción. También proponemos un método AMLI plus basado en la interpolación lineal entre clases mediante la combinación de la idea de AMLI con el método de agrupamiento y presentamos pruebas teóricas de la efectividad de los métodos AMLI y AMLI plus.