假设您观察到市场上买卖双方之间的“匹配”。您还可以观察买家和卖家的特征，您希望使用这些特征来预测未来的比赛并向市场双方提出建议。
为简单起见，假设有 N 个买家和 N 个卖家，并且每个人都找到匹配项。有 N 个匹配项和 (N-1)(N-1) 个不匹配项。包罗万象的训练数据集有 N + (N-1)*(N-1) 个观察值，可能大得令人望而却步。似乎从 (N-1)(N-1) 个不匹配项中随机抽样并在减少的数据上训练算法可能更有效。我的问题是：
（1）从不匹配中抽样来构建训练数据集是处理这个问题的合理方法吗？
(2) 如果 (1) 为真，是否有严格的方法来决定要包含多大的 (N-1)(N-1) 块？
如果我理解正确，您有一个两类分类问题，其中正类（匹配）很少见。许多分类器都在为这种类不平衡而苦苦挣扎，通常的做法是对多数类进行二次抽样以获得更好的性能，因此第一个问题的答案是“是”。但是，如果子采样过多，最终会得到一个分类器过度预测少数正类，所以最好的办法是选择子采样率以最大化性能，也许通过最小化交叉-未对测试数据进行二次抽样的验证错误，因此您可以很好地指示操作性能。
如果你有一个概率分类器，它可以估计类成员的概率，你可以更好地对输出进行后处理，以补偿训练集和操作中类频率之间的差异。我怀疑对于某些分类器，最佳方法是通过优化交叉验证误差来优化子采样率和对输出的校正。
对于某些分类器（例如 SVM），您可以为正负模式赋予不同的权重，而不是二次抽样。我更喜欢子抽样，因为这意味着由于使用了特定的子样本，结果没有变化。如果这是不可能的，请使用自举来制作袋装分类器，其中在每次迭代中使用多数类的不同子样本。
我要说的另一件事是，通常在存在大类不平衡的情况下，假阴性错误和假阳性错误并不同样糟糕，将其构建到分类器设计中是一个好主意（可以通过 sub - 属于每个类别的采样或加权模式）。
关于（1）。如果你想要有意义的结果，你需要保持积极和消极的观察。
(2) 如果您的数据没有任何先验知识，那么没有比均匀分布更明智的二次抽样方法。