不平衡学习专题
Last updated
Last updated
不平衡问题的本质是不同类别的学习难易程度不同，造成这个问题的原因是多样的；
最常见的一种原因是由于不同类别的训练样本在数量上存在差异。
一般来说，某类别下的训练样本数量越多，该类别的学习效果就越好；这个问题一般可以在训练前就观察到；
基于这个原因，一类方法（从数据层面）通过调整不同类别的训练样本在数量上的分布来缓解学习不平衡的问题，如上采样、下采样，及其改进方法；
其中 $|C_i|$ 表示 $i$ 类别样本的数量，比如最大类别的样本数为 100，最小的为 10，则 $\rho=10$；
另一方面，即使是在样本数量均衡的数据上训练也可能发生不平衡问题；
造成这个现象的原因是因为学习器假设了不同样本对模型的贡献是相同的。但训练数据中可能存在低质量样本和困难样本等，这些样本显然不能一视同仁；而且这些问题在训练之前观察不到，需要在验证集上才能发现（通过混淆矩阵）；
因此另一类方法（在算法层面）通过调整不同类别样本的学习权重来解决这个问题。这类方法的适用性更广，因为它在尝试从根源上解决不平衡问题；调整数据分布的方法本质上也是在调整学习权重，它的问题是忽略了样本自身的质量；
上采样（过采样，Over-Sampling）
下采样（欠采样，Under-Sampling）
两阶段学习（Two‑phase learning）
动态采样（Dynamic Sampling）
阈值移动（Threshold Moving）
代价敏感学习（Cost Sensitive Learning）
通过修改 Loss
Focal Loss
基于聚类的方法
Category Centers
异常点检测（Outlier Detection）
一个描述训练数据不平衡程度的参考指标：