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，對於這部分取樣的時候，要比總體取樣比例低。
也即盡可能的讓樣本豐富。
2、如果樣本少的類，樣本過於少，則可以使用召回率或者f1，而非準確率進行評測。
3、在文字分類的時候，我們可以通過複製多份少類樣本，並且亂序，比如：「我知道了，謝謝」。 和「謝謝，我知道了」，
或者去除停用詞與不去除停用詞，「我工作上有很多事情要處理」 和「我的工作上有很多的事情要處理」，他們意思是一樣的。思想類似於在影象識別時，如果樣本比較少，就使用平移、旋轉等手段豐富樣本。
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
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...
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...