「数据一边倒咋办？聊聊类别不平衡这个坑」
先给结论：数据一边倒，模型最容易学会躺平
做分类任务，最怕训练集里猫有九千张、狗只有一百张。模型一算账，管你给啥图，我闭眼喊猫，准确率就能到九十九。它才不跟你讲道理，哪儿省事往哪儿走。米岸AI 当年带团队调模型就栽过这跟头，报表漂亮，上线就现原形。所以看见高准确率先别乐，得问问数据本身平不平，这坑专坑不看数据分布的人。
为啥准确率会骗人
准确率是猜对的除以总题数。九千张猫全中、一百张狗全错，准确率九十九，看着没毛病，可狗一张都没认出来，这模型有啥用？所以不平衡的数据集上，光看准确率等于自欺。得看召回率、F1 这些分细了的指标，才知道少数类到底认得咋样。要我说，这就跟班里全是及格的，你算平均分看不出有几个不及格一个理，得单拎出来数。
模型偷懒的两种姿势
一种叫多数类偏见，模型把决策边界往少数类那边推，宁错少数不放多数。另一种更隐蔽，它其实学到了猜多类比猜少数更安全，于是对模糊样本一律归到大类。要我说，这跟考试专挑送分题做、难题直接空着一个德行，总分不低，真本事没长。等你拿它去认那一百张狗，才发现它压根没学会，全靠多数类撑场面。
常用的补法：先把数据掰匀
最直觉的是重采样。少数类太少就过采样，复制或合成一些；多数类太多就欠采样，砍掉一部分。两边数量拉近，模型没空偷懒。合成那条路里最有名的叫 SMOTE，思路是拿两个少数类样本生个中间样本，相当于给稀有的那拨补点兵。这招比单纯复制强，因为造出来的是新样本，模型不至于死记硬背那几张图。
不调数据，调损失也行
另一路是从算法下手，给少数类样本加权，它错一次罚得狠，模型就不敢随便牺牲它。这叫类别加权损失。好处是不动数据量，坏处是权重得调，调不好又矫枉过正。两路都能用，实战里常常双管齐下，既重采样又把损失加上，两头堵才稳。不过加权别太猛，否则模型又走向另一个极端，光顾着少数类把多数类搞砸。
常见问题
问：不平衡到啥程度才需要处理？
答：没死规定。一般少数类低于总样本一成，就该上心了；差出一两个数量级，基本必处理，不然模型铁定躺平，报表再好看也是假象。
问：过采样复制会不会过拟合？
答：单纯复制确实容易让模型死记那几张图。所以多用 SMOTE 这类造新样本的法子，或者配合数据增强，别光复读，让它见点新花样。
问：加权会不会让模型太偏向少数类？
答：会，权重给猛了少数类召回上去了、多数类准确率掉下来。得在验证集上慢慢试，找个两头都不太难看的平衡点，别走极端。
问：米岸AI 提这个，普通读者用得上吗？
答：用得上。你拿 AI 做筛选、风控、质检，数据天然就歪，懂这坑能少交不少学费，至少知道高准确率未必真管用。
本文由米岸AI整理。
