我在这里质疑了著名的克利夫兰心脏病数据集对其对象的标记方式。
这个数据集非常不平衡（“无病”类的对象很多）。我注意到许多使用该数据集的论文常常将所有其他类别合并，简化为二元分类（有病 vs 无病）。
除了减少类别数量来获得分类器的好结果外，还有其他处理这种类别不平衡问题的方法吗？
回答：
一般来说，处理不平衡数据集时，应采用非监督学习方法。
你可以使用多元正态分布。在你的案例中，如果一个类中有很多元素，而另一个类中元素很少，监督学习方法是不合适的。因此，多元正态分布作为一种非监督机器学习方法，可能是解决方案。算法从数据中学习并找出定义数据的值（即数据中最重要的部分，这里是“无病”案例）。一旦这些值被输出，就可以寻找不符合这些值的元素，这些元素就是所谓的“异常元素”或“异常值”。在你的案例中，这些是“有病”个体。
第二种解决方案是平衡你的数据集，并使用最初的监督学习算法。你可以使用以下技术。这些说法通常是好的，但它们很大程度上取决于你拥有的数据（请注意，我没有访问你的输入数据！），所以你应该测试它们，看看哪个最适合你的目的。
-
为元素较少的类收集更多元素。
-
复制元素较少的类的元素，以获得与元素较多的类相同数量的数据。对于这种解决方案存在一个问题，如果两个类之间的输入数据量有很大差异，并且你使用神经网络，因为复制元素的类不会有很大的变化，而神经网络只有在用大量变化丰富的数据训练时才能提供好的结果。
-
在元素较多的类中使用较少的数据，以便在两个类中拥有与元素较少的类相同数量的元素。这里也可能在使用神经网络时遇到问题，因为用较少的数据训练它可能不会得到好的结果。还要注意确保输入元素的数量多于特征，否则将无法工作。
