不平衡数据的技巧总结

1、重采样

比如，label 1有1000条，label 0 有200条，那么对label 1 采用放回抽样的方法，每次从里面取200条 与label 0的200条组成一个400条正负样本各半的训练集，重复多次这样的实验

2、算法层面，比如某些平衡随机森林的方法，对正类和反类分别进行重采样

3、代价敏感方法，假设label 0是稀有类，具有更高的错分代价，则在分类器训练时，会对错分label 0类样本给出更大的惩罚，迫使最终分类器对负类样本有更高的识别率，如Metacost和Adacost等算法，但很多分类器都不能直接使用代价敏感学习

4、特征选择方法

特征选择方法对于不平衡分类问题同样具有重要意义，这个尤其体现在文本分类问题中，在大类中经常出现的特征，也许在稀有类中根本不出现，因此，根据不平衡分类问题的特点，选取最具有区分能力的特征，有利于提高稀有类的识别率。