类别不平衡问题如何处理？

简化版

类别不平衡指分类任务中各类别的样本数量差距悬殊（如欺诈检测里正常交易 99.9%、欺诈 0.1%）。危害：模型只要全预测成多数类就能有极高「准确率」，但对我们真正关心的少数类完全无用——准确率这个指标在不平衡下会「骗人」。处理分三方面：① 数据层面——过采样少数类（如 SMOTE）、欠采样多数类；② 算法层面——给少数类更高的类别权重/代价（代价敏感学习）；③ 评估层面——别用准确率，改用精确率、召回率、F1、AUC、PR 曲线等更能反映少数类的指标。

详细版

为什么准确率会骗人：

99% 正常 + 1% 欺诈的数据
模型「全部预测为正常」→ 准确率 = 99%！
但欺诈一个都没抓到（召回率 = 0），完全没用

三大类处理方法：

层面	方法	说明
数据	过采样少数类	复制或合成少数类样本（SMOTE 合成新样本）
数据	欠采样多数类	减少多数类样本（可能丢信息）
算法	类别权重/代价敏感	给少数类更高权重，分错代价更大
算法	集成方法	如 EasyEnsemble、BalancedRandomForest
评估	换指标	精确率、召回率、F1、AUC、PR 曲线
其他	调整决策阈值	降低判为少数类的概率阈值

SMOTE（合成少数类过采样）：不是简单复制，而是在少数类样本之间插值合成新样本，避免简单复制导致的过拟合。

完整版教学

一、什么是类别不平衡、为什么是个问题

类别不平衡（Class Imbalance） 指分类任务中，不同类别的样本数量差距非常大。典型场景：

欺诈检测：正常交易 99.9%，欺诈交易 0.1%。
疾病诊断：健康人 99%，患病 1%。
广告点击：不点击 99%，点击 1%。

而且往往我们真正关心的恰恰是少数类（欺诈、患病、点击）。类别不平衡之所以是问题，是因为机器学习模型默认追求「整体准确率最高」——在极度不平衡下，模型发现**「无脑预测多数类」就能拿到极高准确率**，于是干脆放弃学习少数类。结果模型「准确率很高」但对少数类毫无识别能力——完全违背了我们的目的。

二、准确率的陷阱（最关键的认知）

这是类别不平衡最核心的坑：准确率（Accuracy）在不平衡数据上会严重误导。

举例：99% 正常 + 1% 欺诈。一个什么都不学、全部预测为「正常」 的模型：

准确率 = 99%（因为 99% 的样本确实是正常的）——看起来很棒！
但它一个欺诈都没抓到（召回率 = 0）——完全没用，我们要的就是抓欺诈。

所以在不平衡数据上，高准确率是假象。第一步认知就是：不能只看准确率，要用能反映少数类识别能力的指标（下一节和「模型评估」专题）。很多不平衡问题的「解决」，首先是换对评估指标——否则连「模型好不好」都判断错了。

三、评估层面：换用合适的指标

针对少数类，用这些指标（详见「模型评估」专题）：

精确率（Precision）：预测为少数类的里面，真的是少数类的比例（查得准不准）。
召回率（Recall）：真正的少数类里，被找出来的比例（抓得全不全）——欺诈检测里召回率往往最关键（宁可错杀不可放过）。
F1 分数：精确率和召回率的调和平均，综合衡量。
AUC / ROC 曲线：衡量模型的排序能力，对不平衡相对鲁棒。
PR 曲线（精确率-召回率曲线）：在极度不平衡时比 ROC 更能反映少数类的表现。

先用对指标，才能正确评估和优化。

四、数据层面：重采样

调整训练数据中各类别的比例，让模型「看到」更均衡的数据：

① 过采样（Over-sampling）少数类——增加少数类样本：

简单复制：直接复制少数类样本。缺点：容易过拟合（模型反复见到相同样本）。
SMOTE（合成少数类过采样技术）：不是复制，而是在少数类样本之间「插值」合成新样本——取一个少数类样本和它的近邻，在两者连线上随机生成新点。这样生成的是「新的、略有不同」的样本，缓解了简单复制的过拟合。是最常用的过采样方法。

② 欠采样（Under-sampling）多数类——减少多数类样本：

随机丢弃一部分多数类样本，让两类数量接近。
缺点：丢弃数据 = 丢失信息，可能损失多数类的有用模式。适合多数类样本极多、丢一些无妨的场景。

③ 结合：过采样少数类 + 欠采样多数类，或用集成方法（EasyEnsemble 把多数类分成多份、分别和少数类组合训练多个模型再集成）。

五、算法层面：代价敏感学习

不改数据，而是改模型的「代价」——让模型分错少数类的代价更大，逼它重视少数类：

类别权重（class weight）：给少数类更高的权重。很多模型（逻辑回归、SVM、随机森林、XGBoost）都支持 class_weight 参数——设成 balanced 会自动按类别频率的反比加权，少数类的每个样本在损失里「更值钱」，分错它的惩罚更重。
代价敏感学习（Cost-sensitive Learning）：在损失函数里为不同类别的错误设置不同代价（如把欺诈误判为正常的代价设得远高于反之）。
专门的损失：如 Focal Loss——降低「容易分对的多数类样本」的权重，让模型聚焦在「难分的少数类样本」上（目标检测常用）。

代价敏感的好处是不改变数据分布（避免过采样的过拟合、欠采样的信息丢失）。

六、调整决策阈值

分类模型通常输出一个概率，默认以 0.5 为阈值判类别。在不平衡下，可以调低「判为少数类」的阈值：

比如把「判为欺诈」的阈值从 0.5 降到 0.2——只要模型觉得有 20% 可能是欺诈就判为欺诈，能提高召回率（抓到更多欺诈），代价是精确率下降（误报增多）。
通过 PR 曲线 / ROC 曲线选一个符合业务需求的阈值（是宁可错杀多报警、还是宁可漏过少打扰，取决于业务）。

阈值调整不用重新训练模型，是简单有效的手段。

七、如何综合选择

实践中通常组合使用：

首先换对评估指标（F1/召回/AUC/PR），否则判断都是错的。
数据不太少 → 试试 SMOTE 过采样 或 类别权重（两者都常用，效果看数据）。
多数类极多 → 欠采样 + 集成。
根据业务调决策阈值（重召回还是重精确）。
用交叉验证评估各方案（注意：重采样只能在训练集上做，验证/测试集要保持原始分布——否则评估失真，这是数据泄露的一种）。

没有万能方案，要结合数据量、业务对精确率/召回率的偏好来选和调。

八、用数字和工程流程校验理解

在 10000 个样本中若只有 100 个正类，全部预测为负类也有 99% accuracy，但正类 recall=0。若模型找出 80 个正类且报出 120 个正类，则 TP=80、FN=20、FP=40，precision=80/120≈66.7%，recall=80/100=80%。

对象/方案	核心机制	选择或风险
评估	PR-AUC、Recall、F1、业务成本	不要只看 Accuracy
数据	过采样、欠采样、SMOTE	只在训练折内实施
算法/决策	类别权重、Focal Loss、调阈值	与误报漏报成本对齐

把面试题落到可执行流程：

先固定真实业务代价
再选择指标与验证切分
仅在训练数据上重采样/加权
最后在独立验证集选择阈值

重采样必须放进每个交叉验证训练折内部；先对全量数据做 SMOTE 会把邻近测试样本信息泄露给训练过程。

九、常见误区与追问

误区：类别比例达到 1:10 就必须使用 SMOTE。 是否处理取决于指标、样本量、可分性与业务成本，不存在统一比例阈值。
误区：下采样不会损失有用信息。 删除多数类样本可能丢掉决策边界和子群信息，尤其在总样本量不大时。
追问：为什么 PR-AUC 常比 ROC-AUC 更敏感？ 正类极少时大量 TN 会让 ROC 曲线显得乐观，PR 直接关注正类预测质量。
追问：类别权重和调阈值等价吗？ 不完全等价；权重会改变训练目标和概率排序，阈值只改变既有分数的决策点。
追问：测试集要不要重采样？ 不要，测试集应保持真实分布，才能估计上线表现。

十、加强记忆

记忆时抓住这条主线：类别不平衡 = 各类别样本数量悬殊（欺诈 0.1%），且我们常关心少数类。核心坑：准确率会骗人——「全预测多数类」就能拿 99% 准确率但召回率=0、完全没用。处理三方面：① 评估层面（首要）——别用准确率，改用精确率/召回率/F1/AUC/PR 曲线（否则判断都错）；② 数据层面——过采样少数类（SMOTE 在近邻间插值，可能比重复复制提供更多变化，但也可能跨越错误边界）、欠采样多数类（丢信息）、或结合+集成；③ 算法层面——类别权重/代价敏感（给少数类更高权重、分错代价更大，如 class_weight='balanced'、Focal Loss，不改数据分布）。另可调决策阈值（降低判为少数类的阈值提召回，按 PR/ROC 和业务选）。注意：重采样只在训练集做，验证/测试集保持原始分布（否则评估失真）。记忆锚点：先换对指标，再重采样或加权，按业务调阈值。

简化版

详细版