欠采样（undersampling）和过采样（oversampling）会对模型带来怎样的影响？

1. 为什么类别不平衡会影响模型输出？

大部分模型的默认阈值为输出值的中位数。比如逻辑回归的输出范围为[0,1]，当某个样本的输出大于0.5就会被划分为正例，反之为反例。在数据的类别不平衡时，采用默认的分类阈值可能会导致输出全部为反例，产生虚假的高准确度，导致分类失败。

因此很多答主提到了几点：

1. 可以选择调整阈值，使得模型对于较少的类别更为敏感

2. 选择合适的评估标准，比如ROC或者F1，而不是准确度（accuracy）。举个简单的例子，Sklearn的决策树有一个参数是class_weight，就是用来调整分类阈值的，文档中的公式：

# 权重与样本数中每个类别的数量为负相关，越少见的类别权重越大
n_samples / (n_classes * np.bincount(y)) 

所以遇到不平衡数据，用集成学习+阈值调整可以作为第一步尝试。

2. 采样法和类别不平衡有什么关系？

而通过采样（sampling）来调整数据的不平衡，是另一种解决途径，并且可以和阈值调整同时使用。但采样法不是单纯的从数据角度改变了模型阈值，还改变了模型优化收敛等一系列过程，在此不赘述。

而采样法最受人诟病的就是可能会改变原始数据的分布，从而带来偏差。这个说法是否正确呢？让我们带着疑问来分析一下不同的采样方法有什么区别，该怎么使用。有鉴于总被人批评答题公式太多，今天就以可视化和实验为主。

3. 如何直观理解采样法？

我们使用的第一个实验数据是Cardio（Cardiotocogrpahy dataset），原始数据大小为 ℜ1831×21 ：也就是1831条数据，每条数据有21个特征。其中正例176个（9.6122%），反例1655个（90.3878%），属于典型的类别不平衡问题。

先来看一张可视化图，因为原始数据是21维不易展示，所以我们使用T-SNE把数据嵌入到2维空间。图中红色代表正例，蓝色代表反例（建议在电脑端阅读）。数据重叠会加深颜色，甚至造成颜色混合。左上、左下、右上和右下依次是：

1. 原始数据（Original）：未经过任何采样处理（ ℜ1831×21 ）