在機器學習中，常常會遇到樣本比例不平衡的問題，如對于一個二分類問題，正負樣本的比例是 10:1。

這種現象往往是由于本身數據來源決定的，如信用卡的征信問題中往往就是正樣本居多。樣本比例不平衡往往會帶來不少問題，但是實際獲取的數據又往往是不平衡的，因此本文主要討論面對樣本不平衡時的解決方法。

樣本不平衡往往會導致模型對樣本數較多的分類造成過擬合，即總是將樣本分到了樣本數較多的分類中；除此之外，一個典型的問題就是 Accuracy Paradox，這個問題指的是模型的對樣本預測的準確率很高，但是模型的泛化能力差。

其原因是模型將大多數的樣本都歸類為樣本數較多的那一類，如下所示

準確率為

而假如將所有的樣本都歸為預測為負樣本，準確率會進一步上升，但是這樣的模型顯然是不好的，實際上，模型已經對這個不平衡的樣本過擬合了。

針對樣本的不平衡問題，有以下幾種常見的解決思路

搜集更多的數據

改變評判指標

對數據進行采樣

合成樣本

改變樣本權重

搜集更多的數據

搜集更多的數據，從而讓正負樣本的比例平衡，這種方法往往是最被忽視的方法，然而實際上，當搜集數據的代價不大時，這種方法是最有效的。

但是需要注意，當搜集數據的場景本來產生數據的比例就是不平衡時，這種方法并不能解決數據比例不平衡問題。

改變評判指標

改變評判指標，也就是不用準確率來評判和選擇模型，原因就是我們上面提到的 Accuracy Paradox 問題。實際上有一些評判指標就是專門解決樣本不平衡時的評判問題的，如準確率，召回率，F1值，ROC（AUC），Kappa 等。

根據這篇文章，ROC 曲線具有不隨樣本比例而改變的良好性質，因此能夠在樣本比例不平衡的情況下較好地反映出分類器的優劣。

關于評判指標更詳細的內容可參考文章： Classification Accuracy is Not Enough： More Performance Measures You Can Use

對數據進行采樣

對數據采樣可以有針對性地改變數據中樣本的比例，采樣一般有兩種方式：over-sampling和 under-sampling，前者是增加樣本數較少的樣本，其方式是直接復制原來的樣本，而后者是減少樣本數較多的樣本，其方式是丟棄這些多余的樣本。

通常來說，當總樣本數目較多的時候考慮 under-sampling，而樣本數數目較少的時候考慮 over-sampling。

關于數據采樣更詳細的內容可參考 Oversampling and undersampling in data analysis

合成樣本

合成樣本（Synthetic Samples）是為了增加樣本數目較少的那一類的樣本，合成指的是通過組合已有的樣本的各個 feature 從而產生新的樣本。

一種最簡單的方法就是從各個 feature 中隨機選出一個已有值，然后拼接成一個新的樣本，這種方法增加了樣本數目較少的類別的樣本數，作用與上面提到的 over-sampling方法一樣，不同點在于上面的方法是單純的復制樣本，而這里則是拼接得到新的樣本。

這類方法中的具有代表性的方法是 SMOTE（Synthetic Minority Over-sampling Technique），這個方法通過在相似樣本中進行 feature 的隨機選擇并拼接出新的樣本。

關于 SMOTE 更詳細的信息可參考論文 SMOTE： Synthetic Minority Over-sampling Technique

改變樣本權重

改變樣本權重指的是增大樣本數較少類別的樣本的權重，當這樣的樣本被誤分時，其損失值要乘上相應的權重，從而讓分類器更加關注這一類數目較少的樣本。

責任編輯：Ct