类失衡下的数据挖掘（解决数据不平衡问题）

1 什么是类失衡？

•类失衡问题：数据集中各个类别的样本量极不均衡时，模型会往往表现出对少数类的偏见，极端情况下会直接忽略少数类

•问题预设：在分类问题中，存在某一类的样本数量远大于其他类的样本数量，在二分类情况下把两类样本的比例达到100:1的数据集称为不平衡数据。

•典型场景：疾病识别；违约预测

EBITDA利息倍数与净资产收益率特征下违约债券的样本分布

C0 的曲线总是在 C1 曲线之上，因此对于任意给定点，它出自 C0 类的概率总大于出自 C1 类的概率。用贝叶斯公式来表示：

即可将实际问题抽象为：

二分类数据不平衡问题（不可分离情况）

2 应对类失衡的方式

(1) 方法一 - 数据处理