怎么解决数据不均衡的问题

数据不均衡（Class Imbalance）是机器学习中常见的挑战，指训练数据中不同类别的样本数量差异较大。这种情况会导致模型偏向多数类，而对少数类的预测性能较差（如医学诊断中的罕见病、金融欺诈检测等场景）。以下从数据处理、算法改进、评估指标优化三个维度，系统介绍解决数据不均衡的方法：

一、数据层面：重采样（Resampling）

1. 欠采样（Undersampling）

• 随机欠采样：随机删除多数类样本，直到与少数类数量接近。
  优点：简单高效；缺点：可能丢失多数类的重要信息。
  工具：imblearn.RandomUnderSampler

• 欠采样优化算法：

  • Tomek Links：删除与少数类样本最近的多数类样本（即 “边界样本”）。
  • Edited Nearest Neighbors (ENN)：删除被 KNN 错误分类的多数类样本。
    工具：imblearn.TomekLinks, imblearn.ENN

2. 过采样（Oversampling）

• 随机过采样：复制少数类样本，直到与多数类数量接近。
  优点：简单直接；缺点：易导致过拟合。
  工具：imblearn.RandomOverSampler

• 合成过采样：

  • SMOTE (Synthe