我发现He 和 Garcia (2009)对学习不平衡的班级问题很有帮助。这里有一些绝对不全面的事情需要考虑：

基于数据的方法：

可以对多数类进行欠采样或对少数类进行过采样。（Breiman 指出，这在形式上等同于分配非均匀错误分类成本。）这可能会导致问题：欠采样会导致学习器错过多数类的某些方面；过采样会增加过拟合的风险。

有一些“知情的欠采样”方法可以减少这些问题。其中之一是EasyEnsemble，它独立地从多数类中采样几个子集，并通过将每个子集与所有少数类数据组合来制作多个分类器。

SMOTE（合成少数过采样技术）或SMOTEBoost（将 SMOTE 与提升相结合）通过在特征空间中创建最近邻来创建少数类的合成实例。SMOTE 在 R 中的 DMwR 包中实现（随附Luis Torgo 的书“Data Mining with R, learning with case studies”CRC Press 2016）。

模型拟合方法

在您的损失函数中应用特定类别的权重（少数情况下的权重较大）。

对于基于树的方法，您可以使用Hellinger 距离作为节点杂质函数，正如Cieslak 等人所提倡的那样。“Hellinger 距离决策树是健壮的且对偏差不敏感”（此处为 Weka 代码。）

使用一类分类器，学习（取决于模型）一类的概率密度或边界，并将另一类视为异常值。

当然，不要将准确性用作模型构建的指标。Cohen 的 kappa 是一个合理的选择。

模型评估方法

如果您的模型返回预测概率或其他分数，请选择一个可以适当权衡错误的决策截止值（使用独立于训练和测试的数据集）。在 R 中，OptimalCutpoints 包实现了许多算法，包括对成本敏感的算法，用于确定截止点。

我的理解是，这是机器学习社区中一个活跃的研究领域，没有很好的答案，而是有大量且不断增长的潜在解决方案。如果您指定您正在考虑的特定算法，您可能会得到更好的答案。

如果您使用的是参数模型（逻辑回归），这应该不是问题，您可以根据您的损失函数（假阴性到假阳性的成本）改变阈值

如果您使用机器学习算法，这可能会更棘手。Max Kuhn 在“Applied Predictive Modeling”的第 16 章中做了一个公平的尝试来总结这个问题。但具有挑战性的主题来总结。如果你不想买这本书，本章的 AppliedPredictiveModeling 包中提供了 R 代码，根据你对 R 的熟悉程度和所使用的算法，这可能就足够了。

通常讨论围绕欠采样/过采样 +/- 成本敏感算法展开。像 jous-boost 这样的变化也是可能的。
此类讨论的一个示例：Chen 等人“使用随机森林学习不平衡数据” http://statistics.berkeley.edu/sites/default/files/tech-reports/666.pdf

你可以看看 scikit-learn 的实现。注意 class_ weight 参数，它可以具有类权重字典或“自动”的值：

sklearn.svm.SVC 类（C=1.0，kernel='rbf'，degree=3，gamma=0.0，coef0=0.0，shrinking=True，probability=False，tol=0.001，cache_size=200，class_weight=None，详细=假，max_iter=-1，随机状态=无）

您可以使用 class_weight 参数的值，该参数可以是类权重字典或“自动”。在“自动”模式下，学习算法将根据每个类别中的样本数量自动为每个类别分配权重。

scikit-learn 有其他几种分类算法，其中一些接受类权重。