什么是数据不均衡问题
举个小栗子：
如果100个人中喜欢吃梨的有90人，喜欢吃苹果的有10人。
那么如果你随便在大街上找一个人，预测他是喜欢吃梨还是苹果？肯定的，傻子都知道猜他喜欢吃梨呀。因为这样基本不用学习什么知识，就能将准确率控制在90%左右。
用图表示就为：
真实值
预测值
像这种问题，傻子都会，还要机器干什么呢？所以，我们要找到真的学习并预测梨和苹果，且不受数据不均衡影响的分类器。
解决办法
1.想办法获取更多的数据
获取更多的数据，从数据来源查找更多的数据，来弥补数据的短缺。
2.换个评测方式
以前都用准确率accuracy，也就是预测对的个数 / 总个数。但是这个评测方式在高的准确率和低的误差并没有那么有说服力。那么怎么办呢？这个时候就该想起来准确率Precision和召回率Recall，从而求得的F1值。P，R，F1值是对所有类别的测评值。如果想了解更多，我之前写了该方法的理论与实践。
3.重组数据
这个方法就简单粗暴了。比如原始数据为：
方式一
将少的蓝色数据复制多份，使得数量和多的数据相当即可。
蓝色数据复制多份
注：这样做的缺点是可能会过拟合。
方式二
砍掉一些橙色部分，使得和蓝色基本持平。
注：这样做的缺点一般使得数据预测的不那么准确，因为数据丢失。
个人认为，建议优先选择方式一。
4.换机器学习算法
神经网络，对于数据不均衡问题真的是束手无策。可以换其他的机器学习方法，比如决策树之类，不受该问题影响。
5.修改算法
这个就腻害了，直接将算法改了，来改变数据不均衡带来的影响。
比如你使用的是sigmoid算法：
x=0为分界线，当x小于0时为梨，大于0的时候为苹果。但是梨比较多，那么可以将阈值x=0向右平移：
使得绝大多数预测的结果为梨，只有一些特别情况，极其确定的时候预测为苹果。
补充
对于上述的所有方法，我做一个补充。
1.选择复制小数据方法的时候，没必要非得要和大数据1:1才好。可以比例慢慢靠近，说不定期间就有一个比值就很好呢。毕竟实践才是检验真理的唯一标准。
2.砍掉大数据的方法尽量不要用，很可能会影响分类器的效果。
参考资料
morvanzhou
https://www.bilibili.com/video/av16009140?from=search&seid=1236544046869302415
IELTS a bit
discrepancy n. 不符；矛盾；相差
comparable adj. 可比较的；比得上的
minimum n. 最小值；最低限度；最小化；最小量
adj. 最小的；最低的
tardy adj. 缓慢的，迟缓的；迟到的
n. 迟到
n. 人名（Tardy）
unadorned adj. 朴素的；未装饰的
欢迎关注深度学习自然语言处理公众号，我会每天更新自己在机器学习，深度学习，NLP，linux，python以及各种数学知识学习的一点一滴！再小的人也有自己的品牌！期待和你一起进步！
长按识别二维码
