你好，我正在进行基于卷积神经网络的图像分类，使用的七个类别数据分别有235、211、251等，总共1573条数据。我听说提高数据均衡性很重要，但不知道具体应该有多均衡。我的意思是，是否应该使每个数据的数量几乎相等，差异在1以内？还是像我现在这样，最大的差异是类别1和类别2之间的46，这个差异仍然可以接受？那么，使用ImageGenerator是削减数据还是增加数据，哪种方式更好呢？

能否有人给我一些建议？

回答：

你提到的是我们在机器学习中所说的“数据不平衡”问题。这指的是当一个类别的观测数量远高于另一个类别时的情况。你可以想象一下两个类别之间的比例像1:100这样。虽然没有严格的规定这个比例应该有多不平衡。

在你的案例中，两个类别之间的最大不平衡是46，从绝对值来看，这个差异并不大，但从相对值来看，样本量似乎也不算很大。

数据不平衡的问题可以被视为一个零和游戏，两个类别不断推动决策边界。当两个类别的样本数量大致相同（不必严格相等）时，决策边界会达到一种“纳什均衡”状态，意味着两个类别以相同的力推动边界，因此边界位于中间并成功区分两个类别。但是，当这些力变得非常不均衡时，大多数类别会将边界推得如此之远，以至于少数类别无法将其推回，因此决策边界无法区分两个类别…

（注意：上述情景非常表面化，想象性（没有太多理论支持），仅用于建立对问题的视角/直觉）

所以，我建议你用当前的数据训练模型，看看它的表现如何。从理论上讲，你的情况应该不会太糟糕，因为你的案例并不算很严重。尽管如此，机器学习是一门实证科学，所以你也可以看看应用一些数据不平衡技术会发生什么。有像欠采样和过采样这样的技术。你可以为少数类别创建数据（过采样），或者减少多数类别的数据样本（欠采样）。SMOTE是一种流行的过采样技术，而RUSBoost是一种流行的欠采样技术。