我正在玩UCI Bank Marketing Dataset。因此，有一个名为的分类变量default告诉我们客户是否“有默认信用”。该变量具有三个选项no：yes和unknown。看看它的分布：
no 32588
unknown 8597
yes 3
正如你所看到的，我们yes只遇到了 3 个案例，我的问题是一般如何处理这么小的类别？每次遇到它时，我是否应该将其从数据集中排除？或者也许我应该做一些像过采样但仅仅针对这种情况的东西？
我问是因为我担心它对分类任务的影响。据我了解，如果在分区期间所有这些yes都落入数据集validation或test数据集的一部分，它将扭曲度量的结果。
这完全取决于目标任务和“小类”对该任务的重要性：
如何处理这样的类的问题没有明显的答案：
我支持@Erwan 的观察，即审查哪些类别取决于分析的目的。该数据集是针对单个结果变量收集的银行信用数据：
21 - 是 - 客户是否订阅了定期存款？（二进制：'是'，'否'）
为此，我很乐意放弃 40K 观察中的 3 个“是”，并将类别减少到两个也将允许它转换为虚拟变量 (0/1)。如果变量是一个因素，不要忘记重新调整。
如何处理这取决于变量在预测目标变量中的重要性。一个快速的测试是计算不同类别中目标变量的事件率，并确定不同类别是否显着分离目标变量。如果没有分离，删除变量更有意义，否则您考虑将整个记录与小类一起删除或与其他类合并在一起。还要记住，当类别不平衡发生在目标变量而不是输入变量上时，为了模型性能指标而进行过采样。
只有三个观察值，模型将无法对贡献做出任何自信的估计。我认为您最好的选择是使用一些领域知识对列进行编码（no=0，unknown=1，yes=1.2？0.7？...），或者如果它没有提供信息，则直接删除该列。删除行也很好，但是在生产中，如果模型遇到另一个“是”，您希望模型做什么？