何為樣本不均衡：

樣本分布不均衡就是指樣本差異非常大，例如共1000條數(shù)據(jù)樣本的數(shù)據(jù)集中，其中占有10條樣本分類，其特征無論如何你和也無法實現(xiàn)完整特征值的覆蓋，此時屬于嚴(yán)重的樣本分布不均衡。

為何要解決樣本不均衡：

樣本分部不均衡的數(shù)據(jù)集也是很常見的：比如惡意刷單、黃牛訂單、信用卡欺詐、電力竊電、設(shè)備故障、大企業(yè)客戶流失等。

樣本不均衡將導(dǎo)致樣本量少的分類所包含的特征過少，很難從中提取規(guī)律，即使得到分類模型，也容易產(chǎn)生過度依賴于有限的數(shù)量樣本而導(dǎo)致過擬合問題，當(dāng)模型應(yīng)用到新的數(shù)據(jù)上時，模型的準(zhǔn)確性和健壯性將會很差。

樣本不均衡的解決方法：

過采樣 通過增加分類中樣本較少的類別的采樣數(shù)量來實現(xiàn)平衡，最直接的方法是簡單復(fù)制小樣本數(shù)據(jù)，缺點是如果特征少，會導(dǎo)致過擬合的問題。經(jīng)過改進的過抽樣方法通過在少數(shù)類中加入隨機噪聲、干擾數(shù)據(jù)或通過一定規(guī)則產(chǎn)生新的合成樣本。

欠采樣 通過減少分類中多數(shù)類樣本的數(shù)量來實現(xiàn)樣本均衡，最直接的方法是隨機去掉一些多數(shù)類樣本來減小多數(shù)類的規(guī)模，缺點是會丟失多數(shù)類中的一些重要信息。

設(shè)置權(quán)重 對不同樣本數(shù)量的類別賦予不同的權(quán)重（通常會設(shè)置為與樣本量成反比）

集成方法 每次生成訓(xùn)練集時使用所有分類中的小樣本量，同時從分類中的大樣本量中隨機抽取數(shù)據(jù)來與小樣本量合并構(gòu)成訓(xùn)練集，這樣反復(fù)多次會得到很多訓(xùn)練集和訓(xùn)練模型。最后在應(yīng)用時，使用組合方法（例如投票、加權(quán)投票等）產(chǎn)生分類預(yù)測結(jié)果。這種方法類似于隨機森林。缺點是，比較吃計算資源，費時。

————————————————

原文鏈接：https://blog.csdn.net/tonydz0523/article/details/84325823