一：类别不平衡问题，通俗来讲就是正负样本分布不平衡，假如，正样本较少，负样本较多。
对于一般的线性回归问题，预测值y>0.5时判为正例。
解决类别不平衡的问题的三种解决办法：
①对负样本进行欠采样，即去除一些负样本，使正负样本分布均衡。主要的代表算法是EasyEnsemble.将负样本划分为不同的集合供不同的学习器使用，这样保证了欠采样不缺失重要的信息。
②对正样本进行过采样。主要的算法是SMOTE，采用插值法，保证了过拟合的风险。
③直接对原始的训练集进行学习，但是在预测时，对阈值进行改变，即时预测为正样本。
分别表示正负样本的个数。
二：softmax回归
softmax回归时逻辑回归的推广。
三.Softmax 回归 vs. k 个二元分类器
如果你在开发一个音乐分类的应用，需要对k种类型的音乐进行识别，那么是选择使用 softmax 分类器呢，还是使用 logistic 回归算法建立 k 个独立的二元分类器呢？
这一选择取决于你的类别之间是否互斥，例如，如果你有四个类别的音乐，分别为：古典音乐、乡村音乐、摇滚乐和爵士乐，那么你可以假设每个训练样本只会被打上一个标签（即：一首歌只能属于这四种音乐类型的其中一种），此时你应该使用类别数 k = 4 的softmax回归。（如果在你的数据集中，有的歌曲不属于以上四类的其中任何一类，那么你可以添加一个“其他类”，并将类别数 k 设为5。）
如果你的四个类别如下：人声音乐、舞曲、影视原声、流行歌曲，那么这些类别之间并不是互斥的。例如：一首歌曲可以来源于影视原声，同时也包含人声 。这种情况下，使用4个二分类的 logistic 回归分类器更为合适。这样，对于每个新的音乐作品 ，我们的算法可以分别判断它是否属于各个类别。
现在我们来看一个计算视觉领域的例子，你的任务是将图像分到三个不同类别中。(i) 假设这三个类别分别是：室内场景、户外城区场景、户外荒野场景。你会使用sofmax回归还是 3个logistic 回归分类器呢？ (ii) 现在假设这三个类别分别是室内场景、黑白图片、包含人物的图片，你又会选择 softmax 回归还是多个 logistic 回归分类器呢？
在第一个例子中，三个类别是互斥的，因此更适于选择softmax回归分类器 。而在第二个例子中，建立三个独立的 logistic回归分类器更加合适。