处理类不平衡的方法

在数据挖掘的时间工程中，经常会出现正样本远远少于负样本的情况，也就是类不平衡问题。常见的类不平衡问题的处理方法如下：

1、过抽样

将正样本复制多份儿，使得正样本的数据跟负样本的数量相等或者近似平衡。过抽样的主要缺点是，由于正样本是复制多份儿，所以整个数据集的差异较小，分类较为困难。

2、欠抽样

   多负样本进行抽样，使得负样本的数量与正样本的数量相等或平衡。该方法可以克服方法1的缺点，但是不能充分利用数据。

3、阈值移动

   对于分类问题，可以不直接预测实例的类标号，而是预测一个概率值，然后指定一个阈值来将实例分为正类和负类。通常情况下，指定阈值为0.5，但是可以根据实际的情况，对阈值进行移动，从而增加某一个类的权重，而达到解决类不平衡的目的。

4