在询问“样本是否属于此类”时考虑多标签问题，例如，电影标签数据集由于该标签的模糊性，几乎每部电影都被标记为“戏剧”。它也有一些罕见的标签，如“法国 60 年代后期黑色”。

为了提高召回率并保持与大多数分类器的兼容性，我们可以为每个标签单独重新采样和训练一个二元分类器（戏剧：是/否，黑色：是/否）。

但是，虽然“法国 60 年代后期的黑色电影”可能是 0.05:0.95 的不平衡，模型需要付出很大的努力才能猜测，但“戏剧”类别的应用如此广泛，以至于问题正好相反，即 0.95:0.05。

既然“目标类别”是 95% 的标签（与定义有冲突），那么逻辑上最好的人应该如何继续保持召回而不是精度？对非目标类进行上采样？对目标类进行下采样？将问题重新定义为“不是戏剧”以保持每个标签的不平衡？