不平衡问题

不平衡问题指的是在训练样本中，不同类别之间存在数量上的不平衡，即某些类别的样本数量远远少于其他类别。这种情况在模式分类问题中比较常见，例如在医学诊断中，罕见疾病的样本数量可能远远少于正常样本的数量。

机器学习中的准确率分数是一种评估指标，用于衡量模型正确预测的数量与预测总数的关系。我们通过将正确预测的数量除以预测总数来计算它。准确率的取值范围在0到1之间，越接近1表示模型的预测结果越准确，越接近0表示模型的预测结果越不准确。

精度是机器学习模型性能的指标之一，即模型做出的积极预测的质量。精度是指真阳性数除以阳性预测总数（即真阳性数加上假阳性数）。精度的取值范围也在0到1之间，越接近1表示模型的积极预测的质量越高，越接近0表示模型的积极预测的质量越低。

召回率，也称为真阳性率 (TPR)，是机器学习模型正确识别为属于感兴趣类别（“阳性类别”）的数据样本占该类别总样本的百分比。召回率的取值范围同样在0到1之间，越接近1表示模型对于感兴趣类别的识别能力越强，越接近0表示模型对于感兴趣类别的识别能力越弱。

不平衡问题会带来哪些影响

不平衡的数据集会降低数据挖掘和机器学习技术的性能总体准确性和决策偏向大多数人类，这会导致对少数类样本进行错误分类或进一步将它们视为噪音。在不平衡数据集中，由于少数类样本数量较少，模型在训练过程中对于少数类样本的学习可能不够充分，导致模型的泛化能力下降。这会使模型在面对新的未见样本时变得不稳定，其性能可能会有较大的波动。