如何解决样本不平衡

在机器学习实践中，通常会遇到数据中正负样本不平衡（数据倾斜）的情况，如果选取的算法不合适，或者评价指标不合适，那么实际应用线上时效果往往不尽人意。
如何解决样本不平衡问题？可以从几个方面入手：
1、数据层面，可以欠采样和过采样，smote合成新样本
2、模型层面，可以使用代价敏感学习（指为不同类别的样本提供不同的权重）或者转换成one class问题（因为只有一个类别的样本，训练出一个最小的超球面，将这些样本全部包起来；新样本如果落在超球面内，就属于这个类，否则属于异常样本）
3、评价方面，选用合理的指标，比如少数类的召回率、auc等
4、一个合理且简单的方法是：采用随机森林等集成算法降低过拟合风险，然后调整分类阈值规避采样问题，再选用合理的评价指标防止偏见。