不平衡分类基本策略

类不平衡学习又叫不平衡类、稀有类学习。类不平衡分布特征是一个类的实例数（多数类、负类）明显多于另一类（少数类、正类）。通常，正确分类正类实例比正确分 类 负类实例更有意义。例如，在信用欺诈中监测中，欺诈用户明显少于正常用户，然而，如何正确识别欺诈用户更具实际意义。

 

 传统处理稀有类方法大致：（1）通过抽样的方法的平衡训练数据集；（2）基于算法的方法。对于前者，已经提出了很多行之有效的抽样方法，如随机欠抽样负类实例（under-sample）、随机过抽样正类样本（over-sample）、生成新正类样本的过抽样法等。后者包括两阶段法、代价敏感方法等