这可以在两个地方解决：

1. 数据：正如你所提到的，这是通过人为地增加临界类的样本数量来完成的$cc$. 这会产生与自然不平衡的数据集相同的效果，

2. 模型：这通常是通过过度惩罚错误分类来完成的$cc$与其他班级相比。这种修改的一个地方是损失函数。分类中常用的损失函数是交叉熵。可以为此目的进行如下修改。让$y_{ik} = 1$如果$k$是数据点的真实类别$i$， 除此以外$y_{ik} = 0$， 和$y'_{ik} \in (0, 1]$是相应的模型估计。原始的交叉熵可以写成：

   $$H_y(y')=-\sum_{i}\sum_{k=1}^{K}y_{ik}log(y'_{ik})$$
   可以更改为 $$H_y(y')=-\sum_{i}\sum_{k=1}^{K}\color{blue}{w_{k}}y_{ik}log(y'_{ik})$$ 例如，通过设置$w_{cc} = 10$和$w_{k \neq cc}=1$，您实际上是在告诉模型错误分类$1$成员来自$cc$与错误分类一样受到惩罚$10$其他班级的成员。这大致相当于增加类的比例$cc$ $10$使用方法（1）在训练集中的次数。