关于问题在机器学习中，如何处理数据不平衡的问题？一共有 1 位热心网友为你解答:
【1】、来自网友【哥廷根数学学派】的最佳回答：
欠采样、过采样
减少多数类的数量（即欠采样，如随机欠采样、NearMiss 等）
尽量多地增加少数类的的样本数量（即过采样，如随机过采样）
还可结合两者做混合采样
数据增强
基于样本变换的数据增强
单样本增强(主要用于图像)：主要有几何操作、颜色变换、随机擦除、添加噪声等方法
多样本增强：通过组合及转换多个样本，主要有 Smote 类、SamplePairing、Mixup 等方法在特征空间内构造已知样本的邻域值样本
基于深度学习的数据增强 生成模型如变分自编码网络和生成对抗网络，其生成样本的方法也可以用于数据增强
loss 层面
loss 层面的主流也就是常用的代价敏感学习方法（cost-sensitive），为不同的分类错误给予不同惩罚力度（权重）
class weight
scikit 模型的’class weight‘方法，class weight 可为不同类别的样本提供不同的权重（少数类有更高的权重），从而模型可以平衡各类别的学习。
OHEM 和 Focal Loss
OHEM（Online Hard Example Mining）是选择一些 hard examples（多样性和高损失的样本）作为训练的样本，针对性地改善模型学习效果。
Focal loss 的核心思想是在交叉熵损失函数（CE）的基础上增加了类别的不同权重以及困难（高损失）样本的权重，以改善模型学习效果。
模型层面
模型方面主要是选择一些对不均衡比较不敏感的模型，比如采样+集成学习模型，通过重复组合少数类样本与抽样的同样数量的多数类样本，训练若干的分类器进行集成学习。
以上就是关于问题【在机器学习中，如何处理数据不平衡的问题？】的全部回答，希望能对大家有所帮助，内容收集于网络仅供参考，如要实行请慎重，任何后果与本站无关！
