原文：https://neptune.ai/blog/how-to-deal-with-imbalanced-classification-and-regression-data
（原文有好多有意思的图）
数据不平衡是在处理真实数据经常会遇到的问题，然而大多数的机器学习算法都是假设数据类别是均匀分布的。同样的，对于回归问题也存在数据分布不平衡的问题。
目前主要有3种从不平衡数据中学习的方法，分别是：
- 数据方法
- 算法方法
- 混合（集成）方法
1. 不平衡的分类数据
在现实场景中，一些很少见的情景反而是更加重要的，比如残次品检测。
1.1 数据方法
主要致力于改变类别的数据分布，让分布变得平衡，包括：
- 过采样（Oversamling）
- 欠采样（Undersampling）
过采样是从少数类别里生成新的样本出来，最常用的数据增强方法是 Synthetic Minority Oversampling Technique（SMOTE ）。
SMOTE原理如下：随机选择一个少数类别的样本a，并找到K个最近的少数类别的邻居样本，随机选择一个b，然后在特征空间中连接ab两个样本的线上随机选择一个点，合成一个新的样本。将合成的新样本加入训练集，会让数据分布更加平衡，提高模型泛化性。
SMOTE的优点是它可以改善随即采样的过拟合，不会丢失信息，并且方法简单。
缺点是在生成新样本的时候不会考虑距离较近的其他类别的样本，可能会导致类别的重叠，以及引入噪声。SMOTE也不能用于处理高维数据 。
图片来自：https://machinelearningmastery.com/smote-oversampling-for-imbalanced-classification/
欠采样 是将多数类别的样本数量减少到与少数样本匹配。
通常的做法有：
- 随机采样：简单粗暴有奇效
- NearMiss：为选择样本增加一些规则，具体可以看这里。
欠采样的优点是可以很好的分类少数样本，用于训练的数据样本更少，也意味着运行时间更短。
缺点是去掉占多数的样本可能会导致大量样本丢失，欠采样得到的数据可能无法代表整个分布，可能会导致在实际数据上性能不佳。
SMOTE 和欠采样结合起来比单纯使用欠采样效果更好。
1.2 算法方法
最常用的方法是加权学习，使用 Focal loss，对少数类分配更高的权重，而多数类分配更低的权重，让模型更加关注数量较少的类。
另一个解决思路是 one-class classification(OCC)， 顾名思义，只关注一组对象。OCC可以用于异常检测，让模型拟合大多数正例，然后判断新数据是否属于多数类，如果不是（或者概率很低），就说明是异常值。
1.3 混合方法
上面的方法都可以一起用，利用数据的方法来平衡数据分布，然后训练一个分类器集成。(图片来源 )
2. 不平衡的回归数据
分类和回归问题的区别在于，分类的标签是离散的，而回归的标签是连续的。一个现实生活中的例子是天气的预测。
2.1 数据方法
有两个由处理不平衡分类数据而来的方法：
- SMOTER
- SMOGN
SMOTER是SMOTE算法的回归版本。
它的原理是根据原始标签的密度来划分多数区域和少数区域，然后根据自己定义的过采样和欠采样百分比来进行采样。
在对少数区域进行过采样时，会使用插值的方法生成新的样本。生成新样本的方法是，在少数区域里选择一个样本，然后在它的K近邻里随机选择第二个，新生成的样本特征是这两个样本特征的加权平均。
SMOGN在SMOTER之后，在过采样时加入了高斯噪声。其原理是在过采样阶段，如果随机选择的样本和它的被选中的那个K近邻距离比较近，就使用SMOTER的方法生成新的样本，如果这两个样本距离较远，则使用高斯噪声。
