我对分析有一些疑问。我有一个类别不平衡的数据集。我正在尝试从该数据中调查一些信息，例如，有多少 url 包含 http 或 https 协议。我的结果如下：
http in dataset with class 1: 10
http in dataset with class 0: 109
https in dataset with class 1: 180
https in dataset with class 0: 1560
我正在尝试基于某些功能构建分类器，并且应该考虑协议的存在。但是，基于上述结果，您认为我应该说什么？说大多数具有 0 类的网站都有 https 协议是否有意义，即使我有一个类不平衡的数据集？对于模型，我会考虑重采样技术。我应该在重新采样后进行此分析（因此得出此结论），还是通过其他测试检查特征重要性（例如，皮尔逊相关性，如果在这种情况下合适的话）？
任何建议将不胜感激。
这表明该协议不是一个非常具有辨别力的特征：
如果这些条件概率非常不同，则此功能将更有助于预测类别，但它们仅略有不同。请注意，该功能可能仍然有用，但它本身并没有太大的影响。如果您想知道差异是否显着（即不是由于偶然），您可以进行卡方检验。
说大多数具有 0 类的网站都有 https 协议是否有意义，即使我有一个类不平衡的数据集？
这实际上是正确的，但是大多数具有 1 类的网站也有 https，所以它不是一个非常有用的信息（并且就其本身而言，这些信息可能会让一些读者感到困惑）。
对于模型，我会考虑重采样技术。我应该在重新采样后处理这个问题，还是用其他测试检查特征重要性（例如，Pearson 相关性，如果在这种情况下合适的话）？
特征选择可以在重采样之前或之后进行，没关系。这两件事是相互独立的，因为一个特征和类之间的相关程度与类的比例无关。
我不认为皮尔逊相关性对分类变量有好处。我认为条件熵在这里更合适（不是100％肯定，可能还有其他选择）。