我正在从一组特征向量构建一个二元分类器，其中一些是分类的，例如是或否（两个选项）。我用 1 和 0 替换它们，由于 1 和 0 之间存在严重的不平衡，我的模型基本上是在这些特征上学习的。恐怕这个特定的特性可能是一个伪影——具有 0 的样本有时也可以归类为 1。在这种情况下该怎么办？我应该完全放弃该功能吗？
更新：
让我详细解释一下这个问题，因为答案主要集中在不平衡的类上。我有一个包含大约 30 个特征和二进制类 {0,1} 的数据集。特征大多是数字的（连续的），但也有二元分类特征，如 YES/NO、MALE/FEMALE 等。
该数据集的一个方面是不平衡类（多于零），另一方面是一个分类特征，可以说（是/否）也不是很平衡。事实上，如果你仅仅根据像：你会比一个只预测的幼稚模型表现得更好（记住不平衡的类）。
现在，我的困境是在这种情况下该怎么办？我应该从建模中完全删除该变量还是使用一些消除偏差的技术？
一般来说，不平衡数据分类主要有三种解决方案。
免责声明：如果您使用 python，PyCM模块可以帮助您找出这些指标。
这是一个从该模块获取推荐参数的简单代码：
>>> from pycm import *
>>> cm = ConfusionMatrix(matrix={"Class1": {"Class1": 1, "Class2":2}, "Class2": {"Class1": 0, "Class2": 5}})
>>> print(cm.recommended_list)
["Kappa", "SOA1(Landis & Koch)", "SOA2(Fleiss)", "SOA3(Altman)", "SOA4(Cicchetti)", "CEN", "MCEN", "MCC", "J", "Overall J", "Overall MCC", "Overall CEN", "Overall MCEN", "AUC", "AUCI", "G", "DP", "DPI", "GI"]
之后，您想用作损失函数的每个参数都可以按如下方式使用：
>>> y_pred = model.predict #the prediction of the implemented model
>>> y_actu = data.target #data labels
>>> cm = ConfusionMatrix(y_actu, y_pred)
>>> loss = cm.Kappa #or any other parameter (Example: cm.SOA1)
在某些情况下，分类问题会有不平衡的数据（1 或 0 将主要出现在目标列中）。如果我们继续处理这些数据，我们创建的模型将偏向主导输出。为了解决这个问题，我们有很多过采样技术来平衡数据。他们之中有一些是：
（对于python中的3、4、5，我们需要在python中安装imblearn包）