过采样和欠采样
过采样和欠采样是处理不平衡数据集的两种常用技术，主要用于机器学习和数据挖掘中。
过采样（Oversampling）
过采样是指在不平衡数据集中，通过增加少数类样本的数量来平衡各类别之间的样本数。这可以通过以下几种方式实现：
- 复制样本：简单地复制少数类的样本。
- 合成样本：使用算法（如SMOTE）生成新的少数类样本，通过在现有样本之间插值来创建新的样本。
欠采样（Undersampling）
欠采样则是通过减少多数类样本的数量来平衡类别。这可以通过以下方式实现：
- 随机删除样本：随机选择并删除多数类中的一些样本。
- 聚类方法：使用聚类算法选择代表性样本，保留一定数量的多数类样本。
应用
- 过采样通常在少数类样本较少时使用，以避免模型对多数类的偏见。
- 欠采样则在多数类样本过多时使用，以降低计算成本和提高模型的训练效率。
选择使用哪种方法取决于具体数据集的特点和模型的需求。结合使用两者也是一种常见的做法。