机器学习：正负样本数据量不平衡处理方法

无偏采样：意味着真实样本总体的类别比例在训练集中得以保持。

在训练集中正反例数目不同时，令表示正例数目，表示反例数目，观测几率为，，我们假设训练集是真是样本总体的无偏采样，因此观测几率就代表了真实几率。只要分类器的预测几率高于观测几率就应判定为正例，即

                                           若 ，则预测为正例。

再缩放（再平衡）：             （1）。

再缩放思想虽然简单，但是实际操作却不平凡，主要因为无偏采样的假设往往不成立，就是说我们未必能有效的基于训练集观测几率来推断出真实几率。现有技术上大体上有三类做法：欠采样（下采样），过采样（上采样），阈值移动。

欠采样：若随机丢失反例，可能丢失一些重要信息。代表性算法EasyEnsemble是利用集成学习机制，将多数类样本划分若干个集合供不同学习器使用，这样对每个学习器来看都进行了欠采样，但在全局来看不会丢失信息。

过采样：不能简单的对初始样本进行重复采样，否则会招致严重的过拟合。代表性算法SMOTE，对训练集里的样本进行插值产生额外样本。

阈值移动：直接基于原始训练集进行学习，但在用训练好的分类器进行预测时，将式（1）嵌入决策过程中。

解决这类问题主要分重采样、欠采样、调整权值