这是完全正常的。您应该记住，该模型基本上会学习您的数据（直观地）给出的统计函数，并且由于您的数据是倾斜的，它将由多数类学习。

为了克服这个问题，您可以使用两种方法来处理数据集的不平衡特征：采样和成本敏感学习。基本上，在采样技术中，我们有欠采样和过采样，也就是说，我们可以减少我们的数据集以平衡数据或使用人工方法增加它。一些例子：

• 随机过采样：本质上，这种技术通过随机采样来增加少数类。
• SMOTE：随机过采样存在过拟合问题，因为我们只是在大量复制数据。为了克服这个问题，smote 以一种简化的方式在特征空间上为少数类中的最近邻插入点。

对于欠采样技术：

• 随机欠采样：此方法对多数类进行简单欠采样。我们可以丢失信息，但如果点很接近，它可以给出很好的结果

• NearMiss：以一种简化的方式，该模型选择最接近少数类的点。

在成本敏感的学习技术中，我们使用成本矩阵“惩罚”模型，将错误分数分配给特定类别。例如，假设您想为 C1 类提供更好的结果，您可以创建一个矩阵，其中 C1 的错误分类高于其他类。

在 python 中，我们有两个优秀的库来处理这个问题：

• https://imbalanced-learn.readthedocs.io/en/stable/api.html
• https://wwwen.uni.lu/snt/research/sigcom/computer_vision_lab/costcla_a_cost_sensitive_classification_library_in_python

他们有关于该主题的优秀教程，因此您可以更深入地了解所讨论的方法和其他方法。我希望它有所帮助。