机器学习：2:1类别不平衡数据如何不做上下采样训练模型

首先梳理当前数据集与训练结果的基础信息：

• 二分类数据集类别分布：0类共169072条样本，1类共84944条样本，类别比例2:1，属于轻度不平衡场景
• 当前基线模型分类结果存在明显的多数类偏向：1类召回率为0，模型几乎将所有样本判定为多数类（0类），仅靠预测多数类拿到68%的虚高准确率，没有学到少数类的有效特征

precision    recall  f1-score   support

         0.0       0.68      1.00      0.81     51683
         1.0       1.00      0.00      0.00     24522

    accuracy                           0.68     76205
   macro avg       0.84      0.50      0.40     76205
weighted avg       0.78      0.68      0.55     76205  

不需要改动原始数据集（不丢失真实数据、不生成假数据）的可行训练方案如下：

• 调整类权重
  这是成本最低、见效最快的方案，所有主流机器学习、深度学习框架都原生支持该功能。核心逻辑是在损失计算阶段给少数类样本分配更高权重，让模型参数更新时更重视少数类的预测错误。针对2:1的类别比例，可以手动设置权重为{0.0:1, 1.0:2}，也可以直接调用框架内置的balanced权重模式自动按样本量计算权重，不需要额外做数据处理。当前基线模型就是默认等权重训练，才会出现“全判0类损失最低”的错误倾向，调整权重后该问题会直接改善。
• 调整分类阈值+更换评估指标
  不要把准确率作为核心评估指标，当前68%的准确率完全不代表模型效果，优先关注少数类F1值、AUC-PR（比AUC-ROC更适配不平衡场景）。模型输出的是分类概率，不需要死守0.5的分类判定阈值：当前1类召回率为0，说明判定为1类的阈值设置过高，可以在验证集上遍历测试不同阈值，找到让两类F1达到业务要求平衡的最优阈值即可，全程不需要改动训练数据。
• 更换适配不平衡场景的损失函数
  保持原始数据集不变，将普通交叉熵损失替换为Focal Loss等不平衡友好的损失函数即可。这类损失会自动降低易分样本（即占大多数的、特征非常明显的0类样本）的损失权重，让模型把训练注意力放在难分样本和少数类样本上，对2:1这种轻度不平衡场景适配性很好。
• 使用集成模型内置的平衡参数
  如果使用XGBoost、LightGBM、随机森林这类树集成模型，直接调用内置的scale_pos_weight参数即可，本质是框架内置的类权重调整，效果稳定，不会带来数据损失或假数据问题。针对当前2:1的类别比例，直接把该参数设为2就能看到明显效果。

注：2:1的类别比例属于非常轻度的不平衡，完全不需要上来就做下采样丢数据、或者上采样生成假数据，很多场景下盲目用SMOTE、随机下采样反而会引入噪声、丢失有效特征，先把上述几个无数据改动的方案调好，基本就能解决当前少数类召回为0的问题。

内容的提问来源于stack exchange，提问作者John