如何解决二分类任务中训练数据集的类别不平衡问题？

最近参加技术面试时，被问到了二分类场景下怎么处理训练数据的类别不平衡问题，当时我给出了两个核心方案，面试官当场点头认可，这里整理出来给大家参考：

解法1：用均衡批次实现少数类过采样 #

• 核心逻辑：不在全局层面修改数据集，而是在训练的批次采样环节做文章
• 具体操作：每次采样时，从少数类中按比例（比如和多数类1:1）选取样本——可以是简单重复采样，也可以用SMOTE生成合成样本；再从多数类中随机抽取对应数量的样本，组合成均衡批次输入分类器
• 好处：既能让模型在训练过程中充分学习少数类特征，又不会因为全局过采样导致模型过度拟合少数类的噪声

解法2：拆分多数类构建集成分类器 #

• 核心逻辑：把体量庞大的多数类拆分成多个小子集，每个子集的规模和少数类相当
• 具体操作：用「单个多数类子集 + 完整的少数类样本」构建多个均衡的训练子数据集，分别训练独立的分类器，最后通过投票、加权平均等方式整合所有分类器的预测结果
• 好处：每个子分类器都在均衡数据上训练，能更精准地捕捉少数类的模式，集成后的模型鲁棒性也会更强

当时我刚讲完这两个思路，面试官刚点头认可，就被另一位面试官打断问别的问题了，没来得及展开更多细节😂。

顺带提一句，实际工作里还可以通过调整损失函数（比如给少数类的错分类赋予更高权重）来解决这类问题，不过面试时我优先想到了这两个偏向数据层面的解法。

内容的提问来源于stack exchange，提问作者Learning is a mess