如果你有一个包含不同类别的训练集，并且类别分布极不平衡。你会使用什么策略来平衡它？

关于现实世界人口的信息：共有7个类别，其中最小的类别占5%。

关于训练集的信息：各类别的频率与人口频率有很大差异。

这里有两个选项：

• 调整至人口的类别频率。
• 调整至均匀分布。

我所说的调整是指像SMOTE或成本敏感分类这样的方法。

我对选择哪种策略感到不确定。我也欢迎其他建议。你会如何评估策略的成功与否？

回答：

正如你提到的，对于训练你有两个选项。要么平衡你的数据集（如果你的数据量非常大和/或特征数量较少，这样丢弃一些样本不会影响学习效果，这种方法有效），要么根据它们的频率为不同类别使用不同的权重。后者通常比较简单，但取决于你选择的方法和库。

一旦你训练好你的分类器（基于训练集的某些先验信息），如果你先验信息发生变化（训练和人口中的频率不同），你可以轻松更新预测概率。有一个关于如何替换先验信息的优秀概述，比我在短文中能解释的更好。请查看Combining probabilities，第3节（替换先验信息）。