深度学习中针对样本不均衡问题的解决办法

数据不均衡的缺点：
会导致模型忽视少数类别的样本，从而影响模型的泛化能力。
解决办法：

数据层面：

1.数据增强

1.1 可以对少数样本进行变换，以增加样本的数量。

1.2. 生成新样本

可以利用图生图模型，比如GAN模型扩增小样本。

2. 欠采样

可以通过随机删除多数样本的方法来平衡样本的均衡性，缺点是可能会丢失重要信息。

算法层面

1. 加权损失函数

在训练时，为少数样本类别分配更高的权重，比如对少数样本的损失函数乘以100以增加权重。

2. 难例挖掘

将第一次训练的错误样本提取出来进行下一轮的训练。

评估层面

增加多个维度的评估指标，以获得增加综合的评价体系。

模型层面

使用迁移学习的方法，先在相似数据上进行训练，然后再保存模型权重，相当于是预训练模型，接着再微调至目标任务。