机器学习中数据不均衡问题（分类类别数据不均匀）

在机器学习中，我们经常会遇到类别数据分布不均衡问题，即某类中含有很多数据，而其他类别中的数据量很少。在这种情况下, 使用传统机器学习算法开发的预测模型可能存在偏差和不准确，造成上述的原因是，传统算法模型通过减少loss来提高准确性，他们并没有考虑到类别的分类不均问题。因此机器学习算法在面对不平衡的数据集时, 往往会产生不理想的分类器。

---

标准分类器算法 (如决策树和逻辑回归) 倾向于只预测多数类数据。少数群体的特征被视为噪音, 往往被忽略。因此, 与多数类相比, 少数类被错误分类的可能性很大。

常使用混淆矩阵来衡量分类算法性能的评价。
举个例子，不平衡分类数据下模型的危害。
假如我们要过滤1000封邮件，里面有用990封，有10封是广告邮件，这是需要进行过滤的。
这是我们训练得到一个分类器，其精度为99.0，看上去精度很高，但没用，这个分类器可能把所有1000封都认为是有用的，这样情况下并没起到过滤作用。

所以当存在分类数据不均衡时，我们必须要进行处理。

---

处理不平衡数据集的方法

2.1数据级方法：重采样技术（Data Level approach: Resampling Techniques）

1. 随机下采样ÿ