问当真正的积极因素很少的时候

EN

对于不平衡的类(或倾斜的数据集)，我通常做的事情之一就是生成更多的数据。我认为这是最好的办法。你可以到现实世界中去收集更多的不平衡类的数据(例如，找到更多斑马的照片)。您还可以通过简单地复制或复制转换(例如水平翻转)来生成更多数据。

您还可以选择一个分类器，它使用替代的评估(性能)度量，而不是通常使用的精度。看看精确度/召回/F1分数。

吴荣奎的ML课程第六周将讨论以下主题：链接

下面是我在处理不平衡类时发现的另一个很好的网页：链接

对于这类不平衡的数据问题，学习与每个类相关的模式是一种很好的方法，而不是简单地比较类--这可以首先通过无监督学习(例如使用自动编码器)来完成。这是一篇很好的文章，可以在https://www.r-bloggers.com/autoencoders-and-anomaly-detection-with-machine-learning-in-fraud-analytics/amp/上找到。另一项建议--在运行分类器之后，可以使用混淆矩阵来确定应在何处寻找额外的数据(例如，许多斑马错误)。