当机器学习中遇到类不平衡，该怎么办？

类失衡：假设您有一个罕见的疾病机器学习数据集，即大约8%的阳性。在这种情况下，即使你不训练，只是简单地说没有生病，这也会给出92%的准确率。因此，在类不平衡的情况下，准确性是不准确的。

在本指南中，我们介绍了处理机器学习中不平衡类的5种策略：

对少数类进行上采样

对多数类进行下采样

更改性能指标

惩罚算法

使用基于树的算法

1. 上采样少数类：指随机复制少数类的观察结果，使样本数量与多数类匹配。

首先，我们将每个类的观察结果分成不同的DataFrame。

接下来，我们将使用替换重取样少数类，设置样本数以匹配多数类的样本数。

最后，我们将上采样的少数类DataFrame与原始的多数类DataFrame相结合。

创建合成样本(数据增强)

创建合成样本是上采样的近亲，有些人可能会将它们归类在一起。例如，SMOTE算法是一种从少数类中重新采样的方法，同时稍微调整特征值，从而创建“新的”样本。

2. 下采样多数类：下采样涉及从多数类中随机移除观测值，以防止其信号支配学习算法。

首先，我们将每个类的观察结果分成不同的DataFrame。

接下来，我们将重采样多数类而不进行替换，将样本数设置为与少数类相匹配。

最后，我们将下采样的多数类DataFrame与原始的少数类DataFrame结合起来。

3. 更改性能指标：AUROC(ROC曲线下面积)

假设我们有一个概率的二元分类器，如逻辑回归。

在呈现ROC曲线之前，必须理解混淆矩阵的概念。当我们进行二元预测时，可以有4种类型的结果：

我们预测0而真正的类实际上是0：这被称为真阴性，即我们正确地预测该类是负的(0)。例如，防病毒软件未将无害文件检测为病毒。

我们预测0而真正的类实际上是1：这被称为假阴性，即我们错误地预测该类是负的(0)。例如，防病毒软件无法检测到病毒。

我们预测1而真正的类实际上是0：这被称为假阳性，即我们错误地预测该类是正的(1)。例如，防病毒软件认为无害文件是病毒。

我们预测1而真正的类实际上是1：这被称为真阳性，即我们正确地预测该类是正的(1)。例如，防病毒软件正确地检测到了病毒。

为了获得混淆矩阵，我们回顾机器学习项模型所做的所有预测，并计算这4种结果中的每一种发生的次数：

在这个混淆矩阵的例子中，在被分类的50个数据点中，45个被正确分类，5个被错误分类。

由于为了比较不同的模型，通常使用单个度量比使用多个度量更方便，所以我们从混淆矩阵中计算两个度量，然后将其合并为一个:

真阳性率(TPR)，又名灵敏度、命中率和召回率，定义为+TPTP+ FN。直观地，该度量对应于相对于所有正数据点被正确认为为正的正数据点的比例。换句话说，TPR越高，我们将错过的正数据点越少。

假阳性率(FPR)，又名 fall-out，定义为+FPFP+ TN。直观地，该度量对应于相对于所有负数据点被错误地认为是正数的负数据点的比例。换句话说，FPR越高，更多的负数据点将被错误分类。

为了将FPR和TPR合并为一个度量，我们首先计算逻辑回归中具有许多不同阈值的前两个度量(例如0.00、0.01、0.02、……、1.000.00;0.01、0.02、……、1.00)，然后将它们绘制在一个图上，横坐标上是FPR值，纵坐标上是TPR值。得到的曲线称为ROC曲线，我们考虑的度量是这条曲线的AUC，我们称之为AUROC。

下图以图形方式显示AUROC：

在该图中，蓝色区域对应于AUROC的曲线下面积。对角线中的虚线表示随机预测器的ROC曲线：它的AUROC为0.5。

AUROC介于0和1之间，AUROC = 1意味着预测模型是完美的。事实上，AUROC距离0.5越远越好：如果AUROC