处理不均衡数据，有如下几种方式：
1. 选择对不均衡数据比较友好的metrics（比如f1, roc、auc）：
关于metrics有如下几种：
1）accuracy
accuracy = (TP+TN)/(TP+FP+TN+FN)
" accuracy是最常见也是最基本的evaluation metric。但在binary classification 且正反例不平衡的情况下，尤其是我们对minority class 更感兴趣的时候，accuracy评价基本没有参考价值。什么fraud detection（欺诈检测），癌症检测，都符合这种情况。例如：
在测试集里，有100个sample，99个反例，只有1个正例。如果我的模型不分青红皂白对任意一个sample都预测是反例，那么我的模型的accuracy是 正确的个数／总个数 = 99/100 = 99%
这个属于很不友好的了。
2） precision & recall & F1
precision = TP/(TP+FP) recall = TP/(TP+FN)
这两者处于trade-off的关系
F1 = 2*precision*recall / (precision + recall)
F1 score均衡了precision和recall，是个还行的选择把。
3) ROC&AUC
跟ROC息息相关的两个变量sensitivity和speciality
sensitivity = recall = true positive rate
specificity = 1- false positive rate
上图是A、B两个不同分类器的roc曲线，没给定一个分类器的判定阈值，就能产生一个（fpr,tpr）点，roc曲线就是把这些点连起来。
曲线下的面积叫auc, 面积越大分类越好。
对于不均衡数据roc, auc是个不错的选择。
2. 重抽样
1） 随机欠抽样：
随机删除多数类的数据
会带来潜在有效信息被删除的问题。欠抽样选择的数据可能是偏差样本，无法准确代表总体。因此，会导致在测试集中表现欠佳。
2）随机过抽样：
随机复制少数类的实例来增加少数类的数量
一般来说，过抽样表现好于欠抽样。然而，由于过抽样复制了多遍少数类数据，导致过拟合(over-fitting)的可能性变大。
3) 基于聚类的过抽样
基于聚类的过抽样是将k-means聚类算法分别应用在少数类和多数类中，识别出数据集中不同簇(cluster)。随后，通过对每个簇过抽样来确保多数类和少数类的簇中实例的数目相等。
这也会导致过拟合。
4） 合成少数类过抽样(SMOTE)
SMOTE避免了复制少数类导致的过拟合问题。用少数类的子集来创造新的合成的相似少数类实例。将这些合成的实例加入原有数据集，丰富少数类的数据。
设训练集的一个少数类的样本数为 T ，那么SMOTE算法将为这个少数类合成 NT 个新样本。这里要求 NN 必须是正整数，如果给定的 N<1 那么算法将“认为”少数类的样本数 T=NT ，并将强制 N=1 。
考虑该少数类的一个样本 i，其特征向量为 xi,i∈{1,...,T} ：
1. 首先从该少数类的全部 T 个样本中找到样本 xi 的 k 个近邻（例如用欧氏距离），记为 xi(near),near∈{1,...,k}；
2. 然后从这 k 个近邻中随机选择一个样本 xi(nn) ，再生成一个 0 到 1 之间的随机数 ζ1 ，从而合成一个新样本 xi1：
xi1=xi+ζ1⋅(xi(nn)−xi)
3. 将步骤2重复进行 N 次，从而可以合成 NN个新样本：xinew,new∈1,...,N。
那么，对全部的 T 个少数类样本进行上述操作，便可为该少数类合成 NT个新样本。
如果样本的特征维数是 2 维，那么每个样本都可以用二维平面上的一个点来表示。SMOTE算法所合成出的一个新样本 xi1 相当于是表示样本 xi 的点和表示样本 xi(nn)的点之间所连线段上的一个点。所以说该算法是基于“插值”来合成新样本。
这种方法通过合成新数据缓解了由于复制少数类带来的过拟合问题，同时不会造成有效信息丢失。然而，当合成新实例时，没有考虑与其他类的相邻实例，这可能会导致种类重叠，并且可能会添入额外的噪点。
3. 改进分类算法
基于bagging或者boosting
