数据预处理：过采样与欠采样

过采样和欠采样是处理非平衡分类问题时的常用手段。

过采样

过采样：针对少样本类生成新的数据样本参与训练，生成新数据或重复采样

欠采样

欠采样：针对多样本的类筛选一部分样本参与训练，只想用少量数据代表大量的原始数据

示例

二元分类为例，如数据集中阳性样本有1000个，阴性样本有10万个。

此时，两者比例严重失衡，需要进行一些处理使得两者的比例尽可能接近。

过采样：对少的阳性样本进行重复选择，如对1000个阳性样本进行有放回的抽样，抽5万次，此时两类的比例比较平衡。

欠采样：对多的阴性样本一类进行少量随机选择，如对10万个阴性样本进行随机选择，抽中2000个，此时两类的比例比较平衡。