我正在使用收集的一些推文构建一个情感分析程序。我收集的标记数据将通过一个神经网络进行分类，分类为两个类别：正面和负面。
数据仍在标记中。到目前为止，我观察到正面类别的样本数量非常少。
在我的训练集中，正面类别的记录可能只占训练数据集的5%（这种比例也可能反映在总体中）。
这会在最终的“程序”中造成问题吗？数据集的大小约为5000条记录。
回答：
是的，确实可能。需要考虑两点：
- 5000的5%是250。因此，你将尝试基于仅250个样本来建模你的类别数据分布。这对于神经网络来说可能小得多的数量级。因此，你可能需要40倍更多的数据来获得一个有代表性的样本。虽然你可以通过子采样轻松减少多数类别，而不会有破坏结构的重大风险——但没有办法从更少的点中获取“更多结构”（你可以复制点、添加噪声等，但这不会增加结构，这只是增加了假设）。
- 类别不平衡也可能导致收敛到简单的解决方案，比如“总是False”，这种方案的准确率为95%。在这里，你可以尝试调整成本函数，使其对不平衡更具鲁棒性（特别是——@PureW建议的训练分割只是试图改变损失函数，使其对少数类别有更大权重的“黑盒”方法。当你能访问你的分类器损失时，就像在神经网络中，你不应该这样做——而是应该改变成本函数，并保留所有数据）。
