数据不平衡

定义

分类问题中，不同类别之间样本数量量级差距较大，称为数据不平衡问题

解决方案

确认是否符合真实样本分布

不符合的话，补充数据或调整样本权重，但业务先验分布也可能很难得到

调整数据分布

• 主动获取：获取更多的少量样本数据

• 欠采样：从多数类中抽取

  • 明显的改变数据分布，会损失很多样本信息

• 过采样：复制少数类中的一些点

  • 明显的改变数据分布，重复使用数据，容易导致过拟合
  • 可以考虑复制时加入噪声

• 数据合成：从少数类创建新的合成点

  • SMOTE算法

• 代价敏感：修改损失函数，对不同类别样本的错分施加不同的权重（少数类权重更大）

  • 简单过采样实质也是改变损失函数
  • scikit-learn逻辑回归：样本的真正权重是class_weight*sample_weight
  • xgboost：scale_pos_weight参数表示正类样本权重
  • lightGBM：is_unbalance参数为True时，算法将尝试自动平衡标签权重； scale_pos_weight参数

集成思想

每次生成训练集时使用少数类样本，同时从多数类中随机抽取数据来与小样本量合并构成训练集，这样反复多次会得到很多训练集和训练模型，最后投票得到分类预测结果。
如果计算资源充足，并且对于模型的时效性要求不高的话，这种方法比较合适。

修正分类结果