简短的回答似乎是肯定的：有一些证据表明，在训练集中对少数类进行上采样和/或对多数类进行下采样可以在一定程度上改善样本外 AUC（ROC 曲线下的面积，与阈值无关metric)甚至在未改变的、不平衡的数据分布上。

话虽如此，在我看到的大多数或所有示例中，AUC 的增加非常温和——典型的“最佳情况”（即，在作者检查的所有模型和抽样方法中最好的情况）将是，比如说，没有上/下采样的 AUC = .91 与有上/下采样的 AUC = .93。我还没有看到任何应用上/下采样可以在任何情况下将坏 AUC 变成好的 AUC 的例子。我也不知道有证据表明上采样/下采样可以在严格适当的评分规则（如Brier 分数）下提高泛化能力（有关更多信息，请参阅这个很好的答案）。

一些证据

• 我见过的最直接的证据，也是唯一包含一些理论分析的证据，来自这篇论文Why Does Rebalancing Class-Unbalanced Data Improvement AUC for Linear Discriminant Analysis？. 作者表明，当在具有不等协方差矩阵的两个高斯类上使用 LDA 时（与 LDA 的假设相反），实现 50:50 类平衡的简单上采样和简单下采样（没有什么比 SMOTE 更好）都可以提高不平衡数据的泛化能力分配。这是一个关键人物：

• 在这篇论文处理客户流失预测中的类别不平衡，作者检查了简单的下采样（“欠采样”）和称为 CUBE 的“高级欠采样方法”，用于逻辑回归和随机森林。他们得出结论，下采样有帮助，但 CUBE 似乎并没有在任何有意义的程度上改善简单的下采样。在这个关键图中，每条曲线上最左边的点是未更改的数据集，没有下采样：

• 在这个来自不平衡学习 Python 包文档的示例中，作者检查了 K 最近邻分类器在三种复杂的上/下采样方法以及基线（无上/下采样）下的 AUC 性能。这是显示 ROC 曲线的关键图：

• 我发现这个 R 笔记本着眼于逻辑回归，比较了基线的交叉验证 AUC（无上/下采样）与简单下采样与更复杂的上采样方法 ROSE。作者得出的结论是，简单的下采样总体上没有太大帮助，但 ROSE 会导致总体上更好的 ROC 曲线。在下面的关键图中，

  • 绿色曲线 = ROSE (AUC = .639)
  • 黑色曲线 = 基线 (AUC = .587)
  • 红色曲线 = 简单下采样 (AUC = .575)

如果您想首先收集样本以根据这些结果进行分类，那么即使从成本的角度来看，也可能需要进行欠采样。

但在这种情况下，您的估计方法通常不会返回总体水平概率，它们取决于所使用的抽样方案。

这是示例：

https://stats.stackexchange.com/questions/127476/inference-possibilities-for-matched-case-control-study