这是可能的。考虑 KNN。当你训练一个模型时，它基本上会“记住”训练集。现在，当您使用模型预测不平衡的数据集时，模型只是从内存中读取，所以没有问题。

例如，假设您训练一个年龄组从 10 岁到 80 岁均匀分布的模型。现在您有一个测试集，其中每个人都是 70-80 岁。KNN 只需找出您老人的邻居（比如您的训练数据中的 60-80 位老人），然后计算加权平均值。

使用平衡训练集来预测不平衡的测试集并不是很有挑战性。反之则更具挑战性。

当您在训练期间最小化的损失函数与您用于评估的指标不同时，类平衡是必要的。问题的答案：

一般来说，是否有可能用平衡的训练集训练模型，以便我们可以有效地预测不平衡的预测集？

取决于损失函数的选择和“有效性”的度量（评估指标）。如果两个类在评估（例如 ROC AUC）中被赋予同等重要性，而不是在损失函数中，那么平衡将导致性能提高。

这个问题的答案与您正在处理的实际问题非常相关。我花了三年时间修改 SMOTE 算法来解决一个问题，接下来的两年尝试设计一个有偏分类器来处理另一个问题。事实上，在学术界，与整体准确度相比，我们非常关心平均准确度。在这里，您应该处理不平衡数据问题。但实际上，在很多情况下你会发现他们关心的是整体准确度而不是平均准确度。当丢失任何样本的成本相同时，它就会产生。如果您没有任何考虑，那么问题是：我可以最大化平均准确率和整体准确率吗？这取决于您使用的功能。在某些情况下，他们丢失少数样本的成本更高，那么你需要设计一个有偏见的分类器。您的问题的答案：如果平衡数据可以最大限度地提高平均准确性和整体准确性，那么最好这样做。如果平衡数据不能最大化两者，那么你需要考虑问题的需求。