数据与特征
类别不平衡（class imbalance）
/ KLASS im-BAL-uns /
类别不平衡，是指你想让模型区分的几个类别，出现的数量悬殊得离谱。设想训练一个欺诈检测器，每1000笔交易里有999笔是正常的、只有1笔是欺诈。那个罕见的类别——往往正是你最在意的那个——被埋在了常见类别堆成的大山底下。
陷阱在于，「总体准确率」会变成一个骗子。一个干脆每次都预测「非欺诈」的模型，准确率高达99.9%，却一笔欺诈也抓不到——毫无用处，可用错了的尺子去量，它看着却很漂亮。所以面对不平衡数据，准确率毫无意义；你需要的是直接盯着罕见类别的度量，比如查准率（在我标记出的案例里，有多少真是阳性？）、查全率（在所有真正的阳性里，我抓到了多少？），以及二者之间的平衡。
为何重要：最重要的那些问题往往是不平衡的——疾病筛查、欺诈、设备故障、各式各样的罕见事件——恰恰是因为你要捕捉的东西本就稀少。常见的对策包括重采样（对罕见类过采样、对常见类欠采样，或合成新的罕见样本）、给「漏掉罕见类」赋予更高的代价，以及选对评估指标。这些手段都变不出数据里本不存在的、关于罕见类别的真实信息——它们只能帮模型与你的判断不再被多数类所支配。
在10万张乳腺X光片中，有200张显示癌症。一个懒惰的模型，永远只说「健康」，准确率高达99.8%，却漏掉了每一例癌症。查全率——即真实癌症中被实际抓到的比例——会瞬间揭穿它：那个懒模型的查全率是0%。
准确率99.8%，有用率0%——这正是「准确率」在不平衡数据上会撒谎的原因。
在不平衡数据上，准确率是个虚荣指标。永远要报告查准率、查全率或二者的结合——并记住：重采样的把戏只是重新平衡了模型「看到」各类别的方式，并没有凭空创造出关于罕见类的新知识。
又称
另见