使用WeightedRandomSampler处理类不平衡（PyTorch）

参考博客：

博客一：Address class imbalance easily with Pytorch | by Mastafa Foufa | Analytics Vidhya | Medium

播客二：Address class imbalance easily with Pytorch Part 2 | by Mastafa Foufa | Towards Data Science

类不平衡

如论文所给出的结论，处理类不平衡的主要方法是过采样。过采样应被应用至完全消除类不平衡，而优化的欠采样系数取决于不平衡的程度。与一些经典的机器学习模型不同，过采样不会导致CNN网络过拟合。

假设数据集中包含两类：$clas{s}_1$和$clas{s}_2$，基于均匀分布，那么从$clas{s}_1$中随机采样得到的概率为
p ( x ∈ c l a s s i ) = # { c l a s s i } # { t r a i n } = N c l a s s i N t r a i n p(x\in class_i)=\frac{\#\{class_i\}}{\#\{train\}}=\frac{N_{class_i}}{N_{train}} p(x∈classi​)=#{ train}#{ classi​}​=Ntrain​Nclassi​​​

但是，实际可能二分类中，某一类数量远大于另一类
N c l a s s 1 ≫ N c l a s s 2 N_{class_1} \gg N_{class_2} N