這裡簡單以二分類問題說明，如果正負樣本比例為1:100，這樣的比例是必須得考慮的問題，也得解決樣本不均勻的問題，否則訓練出來的模型會具有偏向性。例如：樣本中有980個正樣本，20個負樣本，這樣模型只需要輸出結果為正樣本，就可以達到99.8%的正確率，但是這樣的模型是沒有意義的，不具備泛化性。
常用的處理方式：
欠抽樣：將樣本較多的一類，刪除樣本，其實二類樣本數量基本保證一致，無明顯差異，但是這樣會造成樣本的資訊損失，影響模型的效能；
過抽樣：增加擴充套件樣本較少的一類，兩類樣本數量基本達到一致，但是需要重新收集資料，或生成相應資料，或使用演算法生成，如果原有樣本處於該分類邊緣，生成的樣本也會處於邊緣，會出現解釋性差的問題；
組合、整合：將樣本數量較多的一類，然後平均分為幾等份，每一等份的數量大致就為樣本數量較小的一類的數量，然後將等等分的資料樣本於數量較小的這一類資料進行組合，然後分別構建模型，最後每個模型都會獲得結果，對這些結果進行投票選擇或加權投票；
單分類：代表演算法就為one-class svm，核心思想就是**樣本是不是符合正類的特徵，符合就認為是正類，反之就認為不是正類（到底是不是負類，模型不知道），與二分類的差別就是，二分類模型不僅知道是不是正類，也知道是不是負類。
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...
分類問題 樣本不均衡
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...
樣本不均衡問題 bagging方法
bagging是一種用來提高學習演算法準確度的方法，這種方法通過構造乙個 函式系列，然後以一定的方式將它們組合成乙個 函式。它使用bootstrap抽樣，其基本思想是 將乙個弱學習演算法使用多次 每次使用乙個放回的重複抽樣 並對結果進行投票，最後選取投票多的結果作為最終的結果 也可以通過得票的平均值...