样本类别均衡化

样本类别数量不均衡，对当前模型的影响很严重。假设1000人中50人是小偷，预测很难准。

但样本类别均衡胡会是比例较小的权重较高，以此提高模型性能。

API：

　　model = svm.SVC(kernel='linear',class_weight='balanced')  （kernel = 'rbf'(圈起来),class_weight={0:1,1:1}）

　　　　　　　　　　　拿一条直线　　　　按样本数量均衡　　　　　　　　　　　　　　类别权重相等（0:10会更加照顾少的样本）

　　model.fit(train_x,train_y)

案例：好评与差评（95:5），预测当前NBA比赛会不会有人受伤（100:5）

 如果遇到样本数量不均衡,如下解决办法：

1）设置类别权重 class_weight,均衡化样本数量的差异.

2)   上采样或下采样（将样本数量少的增加,或者将多的减少)