是的，简历结果会有偏差。您仍然可以使用它们来调整模型。

另一种选择是使用类加权方案，为不同类型的错误提供不对称的成本值（参见下面的参考资料）。这在某些软件中可用（例如 R kernlab 包）。

我认为这是一种更好的方法，因为它允许您调整成本函数以满足您的敏感性或特异性需求。这是另一个调整参数，在上采样时你没有那个“旋钮可以转动”。

最大限度

Veropoulos K、Campbell C、Cristianini N (1999)。“控制支持向量机的灵敏度。” 国际人工智能联合会议论文集，1999 年，55-60。

这是一个可能对此问题感兴趣的相关答案。（抱歉自动引用）

我不使用支持向量机，但在逻辑回归和人工神经网络中，我已经成功地将 k-fold 与复制的训练数据一起使用（剪切折叠，生成正确的训练\测试对，仅在训练数据中生成较少代表类的副本），有时有噪音。在选择切点时消除了偏差。

如果在本文中找到，对可用于不平衡数据的技术进行非常基本的回顾。到目前为止，我最喜欢的技术（PCA 加噪声注入）可以在本文中找到。