样本不均衡的解决办法

1、过采样

     对于某个比较少的label，可以复制样本达到增大样本量的效果，一般这种方法不太合理，过分强调已有的样本，放大噪声样本，过拟合。

     也可以结合SMOTE方法，这种方法不是单纯的重复样本，而是通过某种方式对已有的样本进行加工变换，产生与已有样本相近的样本，对噪声样本的抵抗性更强，降低了过拟合的风险，但还是存在一定的缺点。

    适用于样本量较少的情况。

2、欠采样

     如果样本量级较大，可以对样本量比较大的label进行欠采样，量级不够多的情况下可能会损失部分样本信息，具体看数据情况与分布。

3、样本加权

      以多分类为例，如果某个label较多，可以给该样本较低的权重，比如weight=0.7，其他label给1.0，这样的话，该label的精确会增加，召回降低。

举个例子：label 2的召回由于label 3样本量较大，结果较低，如果给label 3进行加权，赋值为0.7，以LightGBM模型为例，train_data = lgb.Dataset(data_path, weight = weight_para)，这里的weight_para是一个list，包含了每一个样本的权重[1,0.7,0.7,1....]

加权前：

加权后：

acc有一定的降低，label2、4的精确降低，但是召回提升，label 3相反，其他label 波动不大。通过这样的方式可以让大盘预测的分布更加合理。相比较欠采样，这种方式可以保留更多的样本信息。

4、调整阈值

     对于2分类来说，当模型预测结果分布不合理时，可以直接调整阈值，一般默认是0.5，可以根据实际正负类的分布占比，来调整阈值，此时的模型效果需要重新评估。但对于多分类这种方式不太方便，且调整阈值影响的是比当前label预测概率的类别，整体的label分布不会根据情况做相应的动态调整。