想象一下，您的数据不容易分离。您的分类器无法很好地区分正面和负面示例，因此它通常可以预测任何示例的多数类。在不平衡的情况下，它将得到 100 个正确示例和 20 个错误示例，从而产生 100/120 = 83% 的准确度。但是在平衡类之后，最好的结果是大约 50%。

这里的问题是准确率不是衡量不平衡类性能的好方法。可能是你的数据太难了，或者你的分类器能力不够强。通常最好查看混淆矩阵以更好地了解分类器的工作方式，或者查看准确性以外的指标，例如精度和召回率，$F_1$分数（这只是准确率和召回率的调和平均值）或 AUC。这些通常都易于在常见的机器学习库中使用，例如scikit-learn.

准确性可能不是您问题的一个好的指标。

对于原始数据集，如果模型只是做一个虚拟预测所有样本都属于更大的类别，那么准确率将是 83% (100/120)。但这通常不是我们想要在不平衡数据集中预测的。

让我们来看一个欺诈检测问题。交易是欺诈的概率非常小（假设为 0.01%），但未被发现的欺诈交易的损失是巨大的（例如 100 万美元）。另一方面，手动验证交易的成本相对较小。在这种情况下，我们希望检测所有可能的欺诈行为，即使我们必须做出很多误报预测。

要解决不平衡的数据集，首先您必须选择要回答的问题。那么，这个问题的好指标是什么。在决定您应该使用哪种技术之前，请先回答这两个问题。

回到最初的问题。当我们对较小的类别进行过采样时，为什么准确性会降低？

那是因为这种技术给小类增加了更多的权重，使模型偏向于它。该模型现在将以更高的准确度预测小类，但整体准确度会降低。