有许多框架和方法。这是一个反复出现的问题。

例子：

• 欠采样。选择零集的子样本，使其大小与一集匹配。除非您使用更复杂的框架，否则会明显丢失信息（例如，我会将第一组拆分为 9 个较小的互斥子集，在每个子集上训练一个模型并集成模型）。
• 过采样。生产人造的，直到比例为50%/50%。我以前的雇主默认使用这个。这有很多框架（我认为SMOTE是最流行的，但我更喜欢像Noisy PCA这样更简单的技巧）。
• 一节课学习。假设您的数据有一些真实的点（那些），并且大量实际上不存在的随机噪声泄漏到数据集中（任何不是一个都是噪声）。使用算法对数据进行降噪，而不是使用分类算法。
• 成本敏感型培训。使用非对称成本函数人为地平衡训练过程。

一些点燃的评论，按照技术复杂性\细节级别的递增顺序：

• 关于不平衡数据集的分类
• ACM SIGKDD Explorations Newsletter - 从不平衡数据集学习的特刊（至少阅读社论，它将很有启发性）
• 不平衡数据集的数据挖掘：概述

哦，顺便说一句，90%/10% 不是不平衡的。卡交易欺诈数据集通常分为 99.97%/0.03%。这是不平衡的。

这在很大程度上取决于学习方法。大多数通用方法都有一种（或几种）方法来处理这个问题。一个常见的解决方法是对少数类分配更高的错误分类惩罚，强制分类器识别它们（SVM、逻辑回归、神经网络……）。

像您提到的那样，更改采样也是一种可能性。在这种情况下，对少数类进行过采样通常比对多数类进行欠采样更好。

有些方法，如随机森林，不需要任何修改。

问题通常不是少数群体中案件的频率而是绝对数量。如果与特征的变化相比，目标没有足够的变化，那么这可能意味着算法无法非常准确地对事物进行分类。

一件事是错误分类惩罚可以在分类步骤中使用，而不是在参数估计步骤中（如果有的话）。有些方法没有参数的概念，它们只是产生直接的类标签或类概率。

当您拥有概率估计器时，您可以根据信息论基础或结合商业价值做出分类决策。

添加两个技巧：1.使用 CDF ，计算训练数据中的频率或使用非常大的验证（如果您的测试集不会改变，但验证集必须与训练集具有相同的分布），然后对您的预测进行排序，并得到一个类的第一个 X%（你计算之前的频率），其他的是 else/ 2.加权样本，模型将倾向于加权样本类，你可以使用样本方差 v。权重i = 1/2(1- (vmax - vi)/vmax)