这些方法试图解决的问题是增加少数类对成本函数的影响。这是因为算法试图很好地拟合整个数据集，然后适应大多数。其他方法是使用类权重，这种方法在大多数情况下会产生更好的结果，因为不会因欠采样或性能损失而丢失信息，也不会因过采样而引入噪声。

一些抽样技术是为了调整偏差（如果人口率已知且不同），但我同意不平衡类本身不是问题的观点。一个主要原因归结为处理性能。例如，如果我们的目标类是 1:100000 的极端罕见情况，那么我们的建模数据集将非常庞大并且计算将很困难。无论采用何种策略，采样总是会丢弃一些数据以减少总数据集的大小。我认为所有不同采样策略之间的区别只是我们在不牺牲预测可能性损失的情况下丢弃哪些数据的聪明之处。

有许多过采样和欠采样技术可以克服不平衡数据中少数人的稀疏性，反之亦然……但是它们中的大多数都会对模型的行为产生影响（粗略地说方差）。我个人使用一种自行设计的技术，其中过采样和欠采样同时进行。将这种组合采样与自适应合成采样 (ADASYN) 相结合，我将其称为C-ADASYN。您可能会想到毛发移植，在稀疏区域过度采样，在密集区域不采样，以保持行为公平，并在需要时添加合成样本以增加人口。

我给你举一个更极端的例子。考虑这样一种情况，您有一个数据集，其中 99 个数据点标记为正数，只有一个数据点标记为负数。在训练过程中，你的模型会意识到，如果它把所有东西都归类为积极的，它最终会侥幸逃脱。解决此问题的一种方法是对代表性不足的类进行过采样，另一种是对代表性不足的类进行过采样。例如，在一个包含 70 个正标签和 30 个负标签的数据集中，我可能会对带有替换的负标签和没有替换的正标签进行采样，这将导致我的模型在训练期间遇到更多的负标签。这样，如果我的模型试图将所有内容都归类为正数，则会产生比其他情况更大的损失。

另一种与抽样无关的方法是调整成本函数，以赋予具有少数标签的数据点更高的权重。例如，如果您在数据集中使用 NLL 损失，其中 1 与标签中的 0 相比过度表示，您可以将损失函数调整为：

$L(\tilde{x_i}, y_i) = -\alpha(y_i)\ln(\tilde{x_i}) - \beta(1 - y_i) \ln(1 - \tilde{x_i})$

其中。差异 的大小取决于过度代表/代表不足的程度。$\beta > \alpha$$\beta - \alpha$