15. 样本不平衡

1 基本概念：

        样本不平衡（Imbalanced Data）是指在一个分类问题中，不同类别的样本数量差异很大，其中一些类别的样本数量明显少于其他类别。这种情况可能会导致机器学习模型偏向于预测样本数量多的类别，而对样本数量少的类别表现不佳。对于不平衡类别，我们不能得到实时的最优结果，因为模型/算法从来没有充分地考察隐含类。它对验证和测试样本的获取造成了⼀个问题，因为在⼀些类观测极少的情况下，很难在类中有代表性。

2 常见样本不平衡：

2. 1正类别和负类别不平衡： 在二分类问题中，正类别和负类别的样本数量差异较大。

• 解决方法：
  • 重采样：增加正类别样本数量或减少负类别样本数量，可以通过过采样（增加正类别样本）或欠采样（减少负类别样本）来实现。
  • 使用合适的评估指标：不要只依赖准确率。使用精确度、召回率、F1分数等更全面的指标来评估模型性能。
  • 生成合成样本：使用生成对抗网络（GANs）等技术来生成合成的样本，以平衡类别。

2.2. 多类别不平衡： 在多类别分类问题中，某些类别的样本数量远远多于其他类别。

• 解决方法：
  • 使用权重：调整损失函数中各个类别的权重，给予少见类别更大的权重。
  • 一