没有足够的数据样本用于机器学习。最有可能的是，在如此少的样本上训练的任何模型都无法泛化。

您应该收集更多数据。

为什么我应该选择一个而不是另一个？

你应该从你的数据集中准备一个通用的验证集，并在你的数据集上尝试每一种方法。

以下是我知道的处理不平衡数据集的方法。-

1. 使用加权交叉熵损失（如您所述）

   • 你可以为你的损失分配权重，这样它对小类的惩罚会更大，对大类的惩罚更少。许多框架都有一个非常简单的方法来做到这一点。
   • 在 Scikit-learn 中，您可以查看 class_weight 参数。例如 -随机森林
   • 以下是如何在 Pytorch 中使用它
   • 这是在 Keras 中使用它的方法

2. 使用焦点损失

   • 最初提出用于对象检测，但我们也可以将其用于任何其他用例。在此处阅读有关它的更多信息
   • 以下是如何在 Pytorch 中使用它进行多类分类
   • 这是在 Keras 中使用它的方法

3. 过采样和欠采样

   • 这有很多技术，请查看imblearn一个专门用于处理不平衡数据集的库。

4. 为小班创建单独的模型

   • 如果您有一些实例数量很少的类，您可以考虑为这些小类创建一个单独的分类器（例如，称为 small_classifier）。您可以将这些小类归为一个类（例如称为 small_class），以便您的主分类器将 small_class 与数据集中的所有其他大类进行分类。如果您的主分类器遇到 small_class 的任何实例，它将把它传递给 small_classifier，它将预测 small_class 实例的实际类。这种技术可以提高准确性，现在主分类器不需要处理非常小的类，而 insted small_classifier 将只关注这些小类。