常见的类别不平衡问题解决方法

1.对大类数据降采样

​ 减少大类数据样本个数，使与小样本个数接近。 ​ 缺点：欠采样操作时若随机丢弃大类样本，可能会丢失重要信息。 ​ 代表算法：EasyEnsemble。其思想是利用集成学习机制，将大类划分为若干个集合供不同的学习器使用。相当于对每个学习器都进行欠采样，但对于全局则不会丢失重要信息

2. 对小类数据过采样

3. 增加小类样本数据

4. 数据代价加权

5. 使用一些对样本分布不敏感的评价指标，F1，ROC等

​ 例如当分类任务是识别小类，那么可以对分类器的小类样本数据增加权值，降低大类样本的权值，从而使得分类器将重点集中在小类样本身上。

6.尝试不同的算法，尤其是决策树类（对不平衡数据表现不错），还有就是集成方法