我认为你处于一个相当困难的状态。我认为您使用的类不平衡技术很好。我建议您尝试以分层分类的方式来构建您的问题。

1级分类器

类别 0 和类别 (1 + 2 + 3) 之间的分类器_A

注意：在这里应用各种类不平衡方法以获得良好的准确性

2级分类器

1 类、2 类、3 类之间的分类器_B

最终的伪模型

if predict_classifier_A(x_test) == "class 0": result = "class 0" else: result = predict_classifier_B(x_test)

我不确定它是否有效，但值得一试。让我们知道它是否工作得更好。

如果以上都失败了，我会试试这个：

1. 适合每个班级的模型。所以你有四个模型，每个模型都专门用于那个特定的类。
2. 我会尝试任何集成建模技术 - 适合多个模型并以智能方式组合它们。
3. 复杂的方法，例如神经网络（我听说 GAN 近来很流行，结果令人印象深刻）。但这可能是矫枉过正。

如果这些都不起作用，则可能只是您的数据无法以任何方式分离。我建议制作一些基本图并计算一些简单的统计数据，以更好地理解数据及其可分离性。

虽然，存在上采样、下采样等采样技术来解决这种不平衡类问题。Smote 采样也有多种包装可供选择。另一种有用的技术是为不同的观察值分配权重（根据数据中的频率），这样次要类就不会被建模为噪声（通常次要类被赋予更多的权重来指导模型，次要类是有价值的，而不是异常值或噪音）。虽然对于分类器来说总体准确率会很高，但对于次要类来说，误分类错误非常高。R 中的 CARET 包可帮助您准备一个基本框架来处理此类不平衡问题。使用 CreateDataPartition 函数，您可以生成分层数据集。请在 R 文档中探索这个包。

我建议将四个类分成大小相等的块，并制作一个数据集，该数据集在一个数据集中具有相同的类表示。那么不同的数据集将重新表示次要类别，但数据集将具有分层抽样。然后可以将这些数据集分为训练集和测试集进行交叉验证。我们可以通过平均（比如 10 倍）得到泛化误差。交叉验证。对于超参数调整的第二步，可以执行内部交叉折叠验证以提高模型的预测性能。