類別不平衡 是什麼？
Class Imbalance：類別不平衡 的完整解釋
訓練資料中各類別樣本數量差異懸殊，導致模型偏向多數類的問題。
類別不平衡（Class Imbalance）是機器學習實務中極為常見但常被忽視的問題，尤其在醫療、金融、資安等高風險領域，處理類別不平衡往往比選擇模型架構更為關鍵。
問題的本質
假設一個詐騙偵測系統，訓練資料中 99% 是正常交易、1% 是詐騙交易。若模型學會「全部預測為正常」，整體準確率（Accuracy）高達 99%，但詐騙召回率（Recall）為 0%：完全失去偵測詐騙的能力。這個例子說明：在不平衡資料上，準確率是一個具誤導性的指標，不應作為主要評估標準。
類別不平衡的程度通常以不平衡比例（Imbalance Ratio）衡量，即多數類樣本數 / 少數類樣本數。比例超過 10:1 時可稱為輕度不平衡，超過 100:1 為嚴重不平衡，某些場景（如罕見疾病診斷）可能達到 10000:1 以上的極端不平衡。
處理類別不平衡的主要方法
一、資料層面的方法
過採樣（Oversampling）：增加少數類的樣本數量。
- 隨機過採樣：重複複製少數類樣本（可能導致過擬合）。
- SMOTE（Synthetic Minority Oversampling Technique）：在少數類樣本的 K 近鄰空間中插值生成合成樣本，是目前最廣泛使用的過採樣方法之一。
- ADASYN（Adaptive Synthetic Sampling）：根據每個少數類樣本周圍多數類樣本的密度自適應地生成合成樣本，對分類困難區域更多關注。
欠採樣（Undersampling）：減少多數類的樣本數量。
- 隨機欠採樣：隨機移除多數類樣本（可能丟失重要資訊）。
- Tomek Links：移除來自不同類別但互為最近鄰的樣本對中的多數類樣本，清理決策邊界附近的模糊樣本。
- Cluster Centroids：對多數類進行聚類，用聚類中心代替原始樣本。
混合方法：結合過採樣與欠採樣，如 SMOTEENN（SMOTE + Edited Nearest Neighbours）。
二、演算法層面的方法
代價敏感學習（Cost-sensitive Learning）：為少數類的錯誤分類設定更高的懲罰代價，使模型在訓練時更重視少數類。許多 scikit-learn 模型（如 SVM、邏輯回歸、隨機森林）都有
class_weight參數，設為'balanced'可自動計算反比例權重。集成方法：BalancedBaggingClassifier、EasyEnsemble 等專為不平衡資料設計的集成學習方法。
閾值調整（Threshold Tuning）：預設分類閾值通常為 0.5，但在不平衡問題中，降低閾值（如 0.3）可以提高少數類的召回率，代價是降低精確率。最佳閾值需根據 PR 曲線或 ROC 曲線結合業務需求決定。
三、評估指標的選擇
處理不平衡資料時，必須放棄準確率（Accuracy）作為主要指標，改用：
- 精確率（Precision）、召回率（Recall）、F1 Score：可針對少數類計算。
- AUROC（ROC 曲線下面積）：衡量不同閾值下的整體性能，但在極度不平衡時可能過於樂觀。
- AUPRC（PR 曲線下面積）：在嚴重不平衡時比 AUROC 更具區分力。
- G-Mean（幾何平均）：各類別召回率的幾何平均，對所有類別的分類能力給予同等重視。
常見踩坑
- 在應用 SMOTE 等過採樣方法時，MUST 只對訓練集進行，驗證集與測試集不能包含合成樣本，否則評估結果會失真。
- 不平衡問題沒有萬用解法，需根據不平衡比例、少數類的重要性（漏判代價）和業務需求選擇合適策略。
- 某些情況下，蒐集更多少數類真實資料是比任何技術手段都更有效的解決方案。