问对于不平衡的分类，是否应该平衡验证数据集？

EN

测试和验证数据集应该具有相同的分布。在这种情况下，验证数据集上的性能指标是测试数据集上性能指标的良好近似值。但是，培训数据集可能有所不同。此外，平衡训练数据集也很好，有时也很有帮助。另一方面，平衡测试数据集可能导致从模型性能上进行偏差估计，因为测试数据集应该反映原始数据的不平衡。正如我在开始时提到的，测试和验证数据集应该具有相同的分布。由于不允许平衡测试数据集，因此也无法平衡验证数据集。

此外，我应该指出，当平衡测试数据集时，与使用不平衡数据集进行测试相比，您将获得更好的性能。当然，正如上面所解释的那样，使用平衡测试集是没有意义的。因此，除非您使用与实际数据相同的类分布的不平衡数据集，否则所得到的性能是不可靠的。

在我看来，验证集应该遵循原始的不平衡分布:最终目标是将模型应用到实际分布中，因此应该选择超参数来最大化该分布的性能。

但是，由于我不完全确定我会建议尝试这两个选项，并采用一个在测试集上提供最佳性能的选项。

只是分享一下我认为需要一个平衡的数据集的理由。{假设我们讨论的是监督分类:) }

训练数据集是唯一“教导”模型如何执行分类的数据。如果使用不平衡数据集(A:90；B:10)对模型进行训练，该模型可能会懒惰地将所有事物分类为A，如果没有区分A和B的能力，则准确率将达到90%。损失函数将无法指导训练步骤走向真正的泛化能力。因此，平衡训练数据集迫使模型学习将某物分类为A或B的根本原因。

但是验证和测试应该反映数据的真实分布。验证表明，当模型在训练数据集中变得过于专业化，并且失去泛化能力时。因此，训练所产生的结果与测试之间的联系，将有望在模型确定后作为水晶球得到很好的利用。

测试是在模型选择之后使用的，这是第一次数据没有给出模型应该是什么样子的任何提示。您可以从模型的角度将这部分数据看作是“未来”。

值得一提的是，如果问题集中在异常点的检测上，则可能需要更复杂的方法。