資料層：通過重取樣使樣本空間均衡
演算法層：重點學習正樣本來適應現存的分類器
損失敏感方法：整合資料層和演算法層的思想，假設正樣本誤分類的損失更大。
boosting演算法：不斷提高樣本權重
1、對正樣本隨機過取樣，對負樣本隨機下取樣。
2、按照樣本特徵和比例來過取樣正樣本或下取樣負樣本，
雖然重取樣在樣本不均衡問題中經常使用，但是如何確定最好的資料分布比例呢？在一片**中降到了，實驗表明平衡的資料分布表現一般很好，但是通常不是最好的。而最好的比例在不同的資料集之間是不同的。
3、如何重取樣也是乙個問題。通常隨機取樣不是很好，發現類別的子概念，然後對每個概念分別重取樣達到平衡。 現在有很多這方面的方法，但是很多技巧只在特定領域有效。
通常，普通處理樣本不均衡問題的策略是選擇乙個合適的偏差。對於決策樹，樣本不均衡問題是調整葉節點的概率評估，另乙個方法時新的剪枝方法。
1、支援向量機
用對不同類別採取不同的懲罰權重，調整類別便捷。
2、關聯分析
改進演算法需要分類器演算法相關知識和應用領域的系那個管只是，尤其是對演算法在樣本不均衡條件下，為什麼失敗的原因有乙個全面的理解
3、在識別單類別學習中，只是識別出目標種類即可，這種方法沒有試圖找到正負樣本的便捷，但是試圖找到圍繞目標概念的邊界。對於分類目的，位置物件和目標類別的相似性。兩種單分類學習方法是神經網路和支援向量機。在多分類領域內的確定條件下，但分類方法比二分類方法更有效。這個方法的閾值代表兩個類別的邊界。乙個嚴格的閾值意味著正樣本被正確篩選。很多機器學習演算法，
代價敏感分類認為不同的誤分類型別的代價。代價矩陣表示了不同分類的代價。
訓練集的分布被修正為誤分類的代價，和不考慮代價的正常空間相比，
在決策樹背景下，建樹策略用來最小化誤分類代價。選擇最好的屬性分支，決定子樹是否被剪掉。
如果把依賴樣本的代價轉換為樣本權重，這種方法被應用在正常的分類器，沒有改變演算法，被認為實在資料層進行改變。
減小方差，adaboost可以件次奧偏差，adaboost給相當於上取樣和下取樣，都是資料層面上的。可以選擇adac2，來完成**。資料合成演算法和提公升程式，這些演算法引入了合成的樣本資料，因此也引入了新的學習代價
樣本不均衡問題
樣本不均衡是機器學習，深度學習中常見問題。分類任務 a 95 b 5 模型將所有樣本 為a，那麼正確率可以達到95 第一種 是把多的那個組變少 降取樣 第二種 是把少的那個組變多 過取樣 最簡單的是oversampling，由於其侷限性，又有很多根據已有的資料生成新資料的方法，比如各種變體的synt...
樣本不均衡
在分類中，訓練資料不均衡是指不同類別下的樣本數目相差巨大。舉兩個例子 在乙個二分類問題中，訓練集中class 1的樣本數比上class 2的樣本數的比值為60 1。使用邏輯回歸進行分類，最後結果是其忽略了class 2，將所有的訓練樣本都分類為class 1。在三分類問題中，三個類別分別為a，b，c...
分類樣本不均
實際使用分類器的時候，經常遇到分類樣本不均衡的問題。而只有分類樣本較為均衡，才可以達到比較好的分類效果。1 如果各個類別的樣本數量都非常多，則對於樣本少的類，使用全部樣本。而對於樣本多的類，進行取樣。取樣可以隨機取樣，或者如果有某一類別裡，有一部分資料非常接近，比如奈雪的茶 koi在茶飲裡佔了幾百家...