1. 不平衡数据的定义
在分类问题中，类别之间的分布不均匀导致数据的不平衡。比如，针对二分类问题，target取值为0和1，当其中一方（如y=1）的占比远小于另一方（y=0）的时候，就构成了不平衡数据。
那么到底是需要差异多少，才算是失衡呢，根本Google Developer的说法，我们一般可以 把失衡程度分为3个级别 ：
- 轻度：20-40%
- 中度：1-20%
- 极度：<1%
一般来说，失衡样本在构建模型时难以发现问题，甚至可以得到很高的accuracy，为什么呢？假设我们有一个极度失衡的样本，y=1的占比为1%，那么，我们训练的模型，会偏向于把测试集预测为0，从而导致模型整体的预测准确性较高，如果我们只是关注这个指标的话，可能就会被骗了。
3. 处理不平衡数据的理论方法
在我们开始用Python处理失衡样本之前，我们先来了解一下关于处理失衡样本的一些理论知识，前辈们关于这类问题的解决方案，主要包括以下：
- 从数据角度：通过应用一些
欠采样或过采样技术来处理失衡样本。欠采样就是对类别数量多的样本进行抽样，保留类别数量少的样本的全量，使得两类的数量相当；过采样就是对少数类进行多次重复