让我们从一个例子开始：您正在尝试构建一个分类模型。
- 1 类：猫
- 2 类：狗
不幸的是，您的数据非常不准确：有 950 张猫图片和 50 张狗图片。
如果您的模型将每张图片都归类为猫，那么您的准确率将达到 95%。想一想：由于类别不平衡，愚蠢的模型将使您达到 95% 的准确率。这是业界非常普遍的问题。
注意：“不平衡”并不意味着“每个类别的样本数量不同”。拥有 550 张猫图片和 450 张狗图片不一定是问题。
现在让我们通过一些技巧来解决这个问题：
1. 不要在不平衡的数据集上使用“准确性”。
对于这些问题，精度并不是一个好的性能指标。
相反，请查看以下内容：
- 精度
- Recall召回
- F-Score
- 混淆矩阵
- ROC 曲线
2. 收集更多数据。
在我们的示例中，您可能能够找到更多的狗图片添加到您的数据集中并减少差异。我总是喜欢从这里开始，但收集更多数据并不总是一种选择。
3. 用合成数据扩充数据集。
这是处理非结构化数据的好方法：创建类似于真实数据的新样本。非结构化数据是指：视频、图像、文本、音频。
您可以转换一些狗图片以创建新样本：
- 更改对比度
- 水平翻转
- 轻微旋转
- 添加噪声
- ...
结合这些技术，我们可以生成大量新数据。
对于结构化数据，增强要困难得多，有时根本不可能。结构化数据 是指： 表格数据（想想列和行。）
4. 重新采样您的数据集。
有几种方法可以做到这一点：
- 对狗的图片进行过采样。
- 对猫的图片采样不足。
您也可以将两者结合起来。
以下是对我们的数据集重新采样的示例：
- 将每张狗图片使用四次。
- 使用所有其他猫图片。
新数据集：
- 狗：400 张图片（50 × 4）
- 猫：475 张图片（950 ÷ 2）
好多了，嗯？
重要提示：过采样和欠采样都会给您的数据集带来偏差：您正在通过任意弄乱现有样本来改变数据的分布。请务必牢记这一点并考虑后果。
5. 使用成本敏感性Cost Sensitivity。
向模型添加成本敏感层是优化预测的好方法。这将有助于权衡在不平衡数据上训练的模型的结果。我们只关心错误，因为如果模型正确，成本为 0 美元。在相信结果之前，我们将计算出错时的潜在错误成本。
6. 检查不同的算法。
决策树非常擅长处理不平衡的类。当然，我们不能将决策树用于“猫与狗”问题，但在处理结构化数据时它可能是一个很好的解决方案。