Class Imbalance Learning: 处理类别不平衡的主要方法有哪些？

Core Concept: 重采样（过/欠采样）、代价敏感、阈值调整、集成、异常检测视角。

五个层次的解法（从数据到决策）：① <strong>指标层面</strong>——首先改用对不平衡敏感的指标（PR-AUC、F1、召回@固定精度），而非 accuracy 或 ROC-AUC（它们在不平衡下过于乐观）；这是最容易被忽视但最重要的一步。② <strong>数据层面</strong>——<strong>过采样</strong>（复制少数类、SMOTE 合成）或<strong>欠采样</strong>（丢弃多数类）；过采样不丢信息但增加训练时间与过拟合风险（复制样本），欠采样快但丢信息；两者都必须在 <strong>CV 折内</strong>做（否则合成/复制的样本会跨越折边界导致泄漏）。③ <strong>算法层面</strong>——<strong>代价敏感</strong>（给少数类更高的损失权重，如 class_weight='balanced'）、<strong>Focal Loss</strong>（降低易分类样本的权重）、或专门的不平衡学习方法。④ <strong>决策层面</strong>——<strong>调整阈值</strong>：训练后用验证集选使业务目标（如代价矩阵最小化）最优的阈值，而非默认 0.5。⑤ <strong>问题重构</strong>——把少数类检测视为<strong>异常检测</strong>（单类分类、孤立森林），或用<strong>集成</strong>（BalancedBagging、EasyEnsemble）。

实践要点：① <strong>过采样 vs 欠采样</strong>——多数场景下<strong>代价敏感/类权重</strong>优于重采样（不改变数据分布、更稳定）；若必须重采样，过采样（SMOTE）通常优于欠采样（不丢信息），但 SMOTE 在高维/类别重叠区会生成错误样本。② <strong>SMOTE 的适用与风险</strong>——在少数类近邻间线性插值；适合<strong>数值特征且类别可分</strong>的场景；风险是 (a) 在类别边界生成'侵入'多数类的样本，(b) 高维下近邻不可靠，(c) 对类别特征不适用（需 SMOTE-NC）。③ <strong>不要对验证/测试集重采样</strong>——只在训练折上做，验证/测试集保持原始分布（否则评估失真）。④ <strong>类权重的等价性</strong>——类权重 ≈ 按权重重采样，但更稳定（不改变样本数、无重复）；这是首选方案。⑤ <strong>阈值优化的前提</strong>——模型需输出<strong>校准良好的概率</strong>（否则阈值无意义）；若模型过自信（如深度网络），应先做温度缩放等校准。⑥ <strong>业务视角</strong>——最终应以业务代价决定权衡（如欺诈检测漏判代价 >> 误判代价，则优先召回）。