有很多关于罕见事件或不平衡类的信息和技术。很抱歉发布链接，但（https://stats.stackexchange.com/search?q=rare+event和https://stats.stackexchange.com/search?q=imbalanced）但我不想复制所有其他工作。

根据我的经验，我经常不理会数据集。我通常会得到很好的结果。如果这是真实比率，那么我的模型应该知道这一点。有时我对多数类进行了下采样。我之前也玩过 SMOTE（https://arxiv.org/pdf/1106.1813.pdf）。

对于您上面的问题，是的 - 使用权重或过度/取消采样更改数据可能会使结果产生偏差。需要检查。如果您进行下采样，请确保您没有丢弃多数类的信号。

您可以尝试对每个样本设置不同的权重。例如，您可以为购买其他产品的人设置 0.05 权重，为购买产品 X 的人设置 0.95 权重。

在sklearn中，有一个sample_weight提供此方法的参数。在 R 中，查看本指南。

如果您使用的是XGBoost，这里有一个指南，展示了如何处理 XGBoost 中的不平衡类。

您已经描述了逻辑回归的空模型，在这种情况下，它将预测 P(will buy X)=0.05。任何其他包含您的年龄和薪水协变量的模型都会做得更好。您的响应中每个 1 有 19 个零这一事实不应阻止您尝试制作一个比空模型做得更好的模型。

因此，只需将年龄和薪水作为回归中的线性项并从那里开始。