问题所在：可以永远预测数据多的一方，准确率accuracy仍然会很高。
假定样本数目A类比B类多，且严重不平衡：
1. A类欠采样(Undersampling)
1）随机欠采样
2）A类分成若干子类，分别与B类进入ML模型
3）基于聚类的A类分割
2. B类过采样(Oversampling)
可以避免欠采样造成信息丢失，但是随机过采样采取简单复制样本的策略来增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习到的信息过于特别而不够泛化
3. B类数据合成
1）随机插值得到新样本
2）SMOTE算法
4. 代价敏感学习
降低A类权值，提高B类权值
其他方法：
1、想办法获取更多数据
2、换个评判方式（不再用准确率或误差来衡量，而是通过precision和recall计算出F1-score）
3、重组数据（重新组合不均衡数据使之均衡，最终使两者或多者的数据差不多，即最上面的方法）
4、使用其他机器学习方法（神经网络面对不均衡数据时束手无策，但决策树不会受到不均衡数据的影响）
5、修改算法