【机器学习】机器学习中到底需不需要进行样本平衡

这个问题是由任务导向的，并不是说一定要平衡。
需要根据判断面对的任务的意义，来是否平衡数据。

平衡

例如：癌症预测
由于癌症数据获取的难度大，正常样本反而多。为了提高癌症预测的准确率，大量的正常样本情况下，我们往往会进行平衡，降低癌症漏检的风险。 预测为癌症后，让医生来做最终的临床判定，而不是在机器预判阶段就漏掉潜在的癌症病灶。

不平衡

例如：垃圾邮件检测。
人们平时偶尔会收到垃圾邮件，这个比例是很小的，因此，我们完全没有必要，进行样本平衡，提高垃圾样本的关注度。这样反而会把不是垃圾的邮件预测为垃圾邮件。

商家优惠卷发送：
由于发送push没有成本，发了优惠券如果用户不用也没有成本，换言之，预测更多样本为流失用户的成本是可以承受的。（因此没必要平衡流失用户和未流失用户）