2020-05-29 阅读量: 1245
该问题主要出现在样本极端不均衡的情况下,例如:银行对"坏"客户的预测问题.
首先，在不处理样本不均衡的问题时，模型主要学习的是多数类(这里的多数类,少数类指的样本标签)的规律，可能会忽略对少数类规律的学习，因此，模型的准确率会在多数类所占样本比例附近波动．
其次，在处理样本不均衡的问题时，会增加少数类的权重，降低多数类的权重．减少模型对多数类的学习，增加模型对少数类的学习，从而以降低对多数类的预测准确率为妥协，增加模型对少数类预测的正确率（即模型可以预测正确更多的少数类，对多数类的预测能力下降．）．因此，在有些情况下，处理样本不均衡问题前后，准确率会下降（此时，召回率会提高）．
