样本不均衡问题

一、引入
对于分类问题，永远都逃不过的一个痛点就是样本不均衡问题。样本不均衡是指在一组数据集中，标签的其中一类天生占有很大的比例，当我们想要对某一样本进行分类时，分类模型天生就会倾向于选择样本量较多的类，而此时即使使用准确率来衡量模型也是毫无意义的。

二、举例说明
例如，现在要对潜在犯罪者和普通人进行分类，潜在犯罪者占总人口的比例是相当低的，也许只有2%左右，而98%的人都是普通人，而我们的目标是要捕获潜在犯罪者。这种分类状况下，即便模型什么也不做，全把所有人都当成不会犯罪的人，准确率也能非常高，这就使得模型评估指标accuracy变得毫无意义。

三、参数class_weight
针对上述问题，决策树模型使用参数class_weight来进行调节，该参数主要包含以下几种模式：
（1）默认None。该模式表示假设数据集中的所有标签都是均衡的，即自动认为标签的比例是1:1。所以当样本不均衡的时候，我们可以使用形如{"标签的值1"：权重1，"标签的值2"：权重2}的字典来表示真实输入的样本标签比例，让算法意识到样本是不平衡的。
（2）使用”balanced“模式，该模式直接使用n_samples/(n_classes * np.bincount(y))作为权重，可以很好地修正我们的样本不均衡情况。