本文主要是介绍训练集中的正负样本比例失调怎么办，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1，通过过抽样和欠抽样解决样本不均衡
1，过抽样:过抽样也叫做上采样(over-sampling).这种方法通过增加分类中少数样本的数量来实现样本均衡。最直接的方法是简单复制少数样本形成多条记录。比如正负比例为1:10，那么我们可以将正例复制9遍来达到正负比例1:1。但是这种方法的缺点就是如果样本特征少而可能导致过拟合的问题；经过改进的过抽样方法通过在少数类中加入随机噪声、干扰数据或通过一定规则产生新的合成样本，例如SMOTE算法。
2，欠抽样:欠抽样也叫做下采样(under-sampling)，这种方法通过减少分类中多数分类的样本数量来实现样本均衡，最直接的方法就是随机的去掉一些多数类样本来减小多数类的规模，缺点是会丢失多数类样本中的一些重要信息。
总而言之，过抽样和欠抽样更适合于大数据分布不均衡的情况，尤其是第一种(过抽样)应用更加广泛。
2，通过正负样本的惩罚权重解决样本不均衡。
3，通过组合集成方法解决样本不均衡。
4，通过特征选择解决样本不均衡
后面三种方法就不具体展开记录了，具体步骤见参考地址
参考地址:https://www.zhihu.com/question/56662976
这篇关于训练集中的正负样本比例失调怎么办的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
