不平衡數據

不平衡數據（Imbalanced Data）指分類任務中各類別樣本數量差異懸殊的數據集，是機器學習中的常見挑戰。

常見場景：

• 詐騙檢測：正常交易99.9%，詐騙0.1%
• 疾病診斷：健康人遠多於患者
• 製造缺陷：合格品遠多於次品
• 廣告點擊：不點擊遠多於點擊
• 客戶流失：留存客戶多於流失客戶

帶來的問題：

• 模型偏見：偏向多數類，忽視少數類
• 評估誤導：高準確率可能只是預測多數類
• 商業損失：少數類往往是關鍵（如詐騙、疾病）
• 學習困難：少數類樣本不足以學習模式

解決策略：

1. 數據層面：

• 過採樣（Oversampling）：
• 隨機複製少數類樣本
• SMOTE (合成少數過採樣)：合成少數類樣本
• ADASYN (自適應合成採樣)：自適應合成
• 欠採樣（Undersampling）：減少多數類樣本
• 混合方法：結合過採樣和欠採樣

1. 算法層面：

• 類別權重：給予少數類更高懲罰
• 代價敏感學習：調整錯誤分類代價
• 閾值調整：降低分類閾值提高召回率
• 集成方法：隨機森林 (Balanced Random Forest)、EasyEnsemble (簡易集成)

1. 評估指標：

• 避免單純準確率
• 使用精確率、召回率、F1分數
• AUC-ROC、AUC-PR
• 混淆矩陣分析

處理不平衡數據是許多實際應用的關鍵技能。