分类中训练集中不平衡问题解决办法

1.改变数据集规模

增加小类样本+减少大类样本

2.更换评价指标

准确度+召回率+F1值+ROC曲线

3.数据集重采样

小类样本过采样+大类样本欠采样

4.生产人工数据

SMOTE过采样算法

5.更换分类算法

决策树往往在类别不均衡数据上表现不错。

6.对模型惩罚

小类样本数据增加权值，降低大类样本的权值

7.业务理解角度

异常点检测+变化趋势检测

8.集成方式

boosting算法，训练多个分类器，分类器进行联合分类

其他角度：

设超大类中样本的个数是极小类中样本个数的L倍，那么在随机梯度下降（SGD，stochastic gradient descent）算法中，每次遇到一个极小类中样本进行训练时，训练L次。
一个相关的想法是，在神经网络中，随机选择部分隐藏层单元来继续训练。