M2-071M2: 经典机器学习类别不平衡Easy
⚡闪卡盲测➔掌握度:

处理类别不平衡的主要方法有哪些?

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M2-072 →
📐 核心数学机理公式
class weight: wc=N2Nc\text{class weight}:\ w_c=\frac{N}{2N_c}
⚡ 一句话直击要害答案
重采样(过/欠采样)、代价敏感、阈值调整、集成、异常检测视角。

📌 核心要点提炼

  • •
    先问'指标是否合适'(用 PR-AUC 而非 ROC-AUC)
  • •
    重采样需在 CV 折内做

📐 数学机理与严密推导

五个层次的解法(从数据到决策):① 指标层面——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 数据层面——过采样(复制少数类、SMOTE 合成)或欠采样(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 CV 折内做(否则合成/复制的样本会跨越折边界导致泄漏)。③ 算法层面——代价敏感(给少数类更高的损失权重,如 class_weight='balanced')、Focal Loss(降低易分类样本的权重)、或专门的不平衡学习方法。④ 决策层面——调整阈值: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 问题重构——把少数类检测视为异常检测(单类分类、孤立森林),或用集成(BalancedBagging、EasyEnsemble)。

🏭 深度剖析与工业落地权衡

实践要点:① 过采样 vs 欠采样——多数场景下代价敏感/类权重优于重采样(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 SMOTE 的适用与风险——在少数类近邻间线性插值;适合数值特征且类别可分的场景;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 不要对验证/测试集重采样——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 类权重的等价性——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 阈值优化的前提——模型需输出校准良好的概率(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 业务视角——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)。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    对验证/测试集做重采样(评估失真)
  • ✕
    在不平衡数据上用 accuracy 或 ROC-AUC 作为主指标
🎯 面试官连环追问与延伸考察
  • ?
    为什么重采样必须放进 CV?
  • ?
    过采样与欠采样的取舍?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M2-070: 如何评估特征选择的效果?需要注意什么📋 返回题库下一题 →M2-072: SMOTE 的原理是什么?有什么风险