数据不均衡的简单处理方法，以及其的好坏。

本文内容基本来自一下网址，简单记录一下数据不均衡的各种处理方法，以及各方法的好坏：
Diving Deep with Imbalanced Data

方法一

首先就是较为简单的随机下采样，也就是训练的时候，从多数类抽取与少数类差不多的数量，使得训练的时候数据均衡。
优点：很明显增加了训练的速度，减小了gpu的压力。
缺点：
1.会导致损失一部分的信息，不利于建立基于规则的模型(rule-based classifiers)，比如随机森林。（本人没有使用过随机森林，所以不是很理解）
2.单纯的随机采样，可能会获得一个有偏差的样本，最后训练的模型的泛化性能可能较差。

与随机下采样方法对应的就是随机上采样，这个方法简单的执行就是复制N次少数类，但这不一定是好方法，可以使用一些随机增强的方式增加少数类。
优点：这总方法不会损失信息。
缺点：单纯的复制少数类，这样可能会导致模型的过拟合。

以下场景你可以考虑使用以上方法：
1.数据比较多的时候，可以使用随机下采样，提升训练速度是很开心的事情。
2.数据较少的时候，可以使用随机上采样，这样不会导致你要复制过多的少数类，而产生各种问题。
3.考虑一下其他的随机方法，比如分层抽样。
4.考虑一下其他比例，不一定要把数据的比例调整为1:1

方法二

然后基于提高少数类的目的，我们可以考虑生成更多少数类样本，有点类似随机增强。比较经典的算法就是SMOTE。目前类似的方法有很多了，大家可以多搜搜这样方面的文献，或许你可考虑一下更加高级的对抗生成网络。
优点：
1.比起单纯的复制少数类，该方法可以增加模型的泛用性，减小过拟合。
2.不会丢失信息
3.简单，方便，可解释。
缺点：
1.生成样本的时候，SMOTE不会考虑生成样本周围属于其他类别的样本，生成的样本和其他类别的样本重叠，而引入噪声。
2.不适用与高纬度数据。（我觉得也不适合复杂数据，比如生成医学图像，效果很差。）

方法三

应该是应用其他最为舒适，需要增加任何样本的代价敏感学习（Cost-Sensitive Learning），简单来说就是在损失函数上给少数类加入更多权重，比如wCE_loss，DICE_loss，Focal_loss……挺多的，随机组合起来就更多了。

常用的方法就是以上，算的上较为万能。不过不管什么方法还是结合自己数据集的实际情况。依据具体情况，你也可知制定出特有的处理数据不均衡的方法。