不均衡样本的处理办法

1.使用正确的度量方法来评估

在不均衡数据集上训练出来的模型，如果使用不合适的度量方法的话，是很危险的。想象一下，如果你的任务是异常检测的话，如果度量方法是准确率的话，那么一个模型如果对所有的样本预测都是正常的话，准确率将达到非常高，但是很显然，这种模型并没有什么用。

这种情况下，可以使用一些替代的度量方法，例如：

• 精确度/查准率：预测为正样本的数据的准确率。

• 召回率/查全率：真实为正样本的数据的准确率。

• F1得分：精确率和召回率的调和平均。

• ROC：真阳率（tpr）和假阳率（fpr）的关系。

2.対训练数据集重新采样

除了使用不同的评价方法外，还可以想办法得到不同的数据集。有两个方法来得到平衡的数据集，一个是欠采样，一个是过采样。

2.1欠采样

欠采样通过减小多数类别的样本数量来得到平衡的数据集。这种方法用在数据量足够的情况下。保留所有的少数类别的样本，随机的抽取同样数量的多数类别样本，可以得到一个均衡的新的数据集，用来建模。

2.2过采样

相反，过采样用在数据集不够的情况下。通过增加少数类的样本数量来得到平衡的数据集。这次我们不是丢掉多数类的样本，而是通过重复，自助抽样或者SMOTE （合成少数类过采样）来生成少数类的数据。

注意，这两种重新采样的方法并没有绝对的好坏之分。使用哪种方法