样本不均衡对模型的影响

在做项目的时候，发现在训练集中，正负样本比例比例在1:7左右，虽然相差不多（但在实际获取的样本比例大概在1:2000左右），所以有必要探讨一下在样本不均衡的情况下，这些训练数据会对模型产生的影响。

---

在实际的模型选取中，采用了SVM和textCNN这两种模型对文本进行分类，下面分别看一下这两种模型在样本不均衡的情况下，其泛化能力的体现（搜集其他人做过的实验与总结，参考博客附于文章末尾）

SVM

理论上来说，SVM实现分类的方法是以支持向量为参照，选取硬间隔最大的超平面，其超平面的选取只与支持向量有关，所以不是很care到底两边还有多少个点。但是当一类样本远多于另一类样本时，可见以下图：

假设真实数据集如下：

由于负类样本量过少时，可能会出现下面这种情况：

使得分隔超平面偏向负类。严格意义上，这种样本不平衡不是因为样本数量的问题，而是因为边界点发生了变化。