搜尋意圖： 如果你在找「類別不平衡 是什麼」或「類別不平衡 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
常見問題
為什麼準確率（Accuracy）不適合用於評估不平衡資料的模型？
準確率的計算方式是（正確預測數）/（總樣本數），在不平衡資料中會被多數類主導。以 95:5 的二分類問題為例，若模型把所有樣本都預測為多數類，準確率高達 95%，看起來很好：但這個模型對少數類的識別能力為零，在實際應用中毫無價值。建議改用 F1 Score（尤其是少數類的 F1）、PR 曲線下面積（AUPRC）或 G-Mean 等指標，這些指標能更真實地反映模型在少數類上的表現，不會被多數類的高準確率所掩蓋。
SMOTE 是什麼？和隨機過採樣有什麼差別？
SMOTE（Synthetic Minority Over-sampling Technique）是一種透過插值生成合成少數類樣本的過採樣技術。具體做法是：對每個少數類樣本，找到它在特徵空間中的 K 個最近鄰（同屬少數類），然後在該樣本與其近鄰之間的連線上隨機選取一點，生成一個新的合成樣本。與隨機過採樣（直接複製現有少數類樣本）相比，SMOTE 生成的是新的、不重複的合成樣本，能夠增加少數類在特徵空間中的覆蓋範圍，降低過擬合的風險。但 SMOTE 也有限制：若少數類樣本本身分布噪音很多，或分布在多數類密集區域，插值可能生成品質不佳的合成樣本。
代價敏感學習中的 class_weight 參數該怎麼設定？
在 scikit-learn 中，class_weight='balanced' 會自動根據各類別的樣本數計算反比例權重，計算公式為：每個類別的權重 = 總樣本數 / (類別數 × 該類別樣本數)。例如，正負類比例為 90:10，balanced 設定會讓少數類（10%）的樣本權重是多數類（90%）的 9 倍，使模型在訓練時更重視少數類的錯誤分類。若你對最優比例有業務判斷（例如漏判詐騙的代價是誤判的 20 倍），可以手動設定 class_weight={0: 1, 1: 20}。建議結合交叉驗證在 PR 曲線或業務目標上搜尋最佳權重比例。