1 基本概念
1.1 定义
样本不均衡是指在一个数据集或样本空间中，不同类别、不同群体，或不同取值区间的样本数量分布明显不均。最常见的情形是分类任务中，某一类别样本远多于另一类别，形成“多数类”和“少数类”的结构。 在统计分析中，这种失衡会改变参数估计的稳定性；在机器学习中，它会影响模型对不同样本的关注程度；在数据挖掘中，则可能导致模式发现偏向高频部分而忽略低频部分。
1.2 形成原因
样本不均衡通常不是单一因素造成的，而是由数据生成机制、采集过程以及业务结构共同作用而来。不同领域中的失衡程度和表现方式各不相同，但其核心都在于样本分布本身并不平坦。
1.2.1 自然分布导致的不均衡
部分现象本身就具有低频特征。例如某些疾病的发病率极低，设备重大故障也往往少于正常运行状态。此类不均衡并非数据错误，而是现实世界概率结构的直接反映。 在这种情况下，少数类之所以稀少，是因为其在客观世界中本就罕见。
1.2.2 数据采集与标注偏差
样本不均衡也可能来自采集方式和标注流程。若采样渠道偏向某些人群、场景或时间段，就会让数据集在局部产生倾斜。 此外，标注资源有限时，研究者往往更容易完整记录常见样本，而忽略边缘样本，从而进一步加剧分布失衡。
1.2.3 业务场景中的长尾现象
在电商、内容分发和推荐系统中，少数热门对象通常占据大部分曝光与点击，而大量冷门对象只获得零散样本。这类结构常被称为长尾现象。 长尾并不意味着尾部无价值，相反，尾部样本有时包含重要的差异信息，只是出现频率较低。
1.3 常见表现
样本不均衡并不只体现为类别数量差异，还可能体现在特征空间、时间分布和样本覆盖范围上。不同表现形式往往对应不同的处理思路。
1.3.1 类别数量悬殊
这是最直观的表现，即某些类别样本数远高于其他类别。 例如在二分类任务中，正常样本可能占绝大多数，而异常样本只占很小比例。此时，模型容易通过偏向多数类获得表面上较高的整体准确率。
1.3.2 特征分布偏移
即便各类别样本数量差距不算极端，不同群体在特征空间中的覆盖范围也可能不均。某些区域样本密集，另一些区域则稀疏，导致模型对后者学习不足。 这种情况常见于高维数据，其中少数类不仅数量少，而且分布形态更分散、更难捕捉。
1.3.3 时间序列中的阶段性失衡
在时间相关数据中，样本分布可能随阶段变化而剧烈波动。某些事件只在特定时期集中出现，而其余时间几乎不出现。 这种阶段性失衡会影响模型对时序规律的把握，使其更容易学习到稳定期模式，而对突发阶段反应迟钝。
2 影响与问题
样本不均衡的核心问题，在于模型学习过程会被高频样本主导，从而降低对低频样本的敏感度。其后果不仅体现在训练阶段，也会延伸到评价和实际部署环节。
2.1 对模型训练的影响
2.1.1 偏向多数类学习
在常规训练中，损失函数往往默认每个样本贡献相近。当多数类数量占优势时，优化过程会更倾向于减少多数类错误。 结果是模型可能形成一种“保守策略”：只要把大部分样本分对，就能得到较低损失，而少数类即使被忽略，也不会显著影响总体目标。
2.1.2 少数类决策边界模糊
由于少数类样本稀缺，模型很难充分学习其边界特征。 在分类空间中，这会表现为少数类区域被压缩、边界不清晰，甚至与多数类发生重叠，导致模型在临界样本上更容易做出错误判断。
2.1.3 过拟合风险增加
当少数类样本过少时，模型可能对少量样本中的偶然噪声记忆过深，产生过拟合。 这类过拟合与普通过拟合不同之处在于：模型对少数类的表面特征反应过强，但泛化到新样本时表现反而不稳定。
2.2 对评估指标的影响
2.2.1 准确率失真
在极度不均衡的数据中，准确率常常无法真实反映模型性能。 如果某一类别占比极高，模型即使总是预测该类别，也可能获得看似不错的准确率，但实际上对少数类几乎没有识别能力。
2.2.2 召回率下降
少数类通常更容易被漏判，因此其召回率往往较低。 对于医疗筛查、欺诈识别等任务，召回率下降意味着关键目标被遗漏，问题比表面上的分类错误更严重。
2.2.3 AUC与F1的适用性
AUC和F1常被用来弥补准确率的不足，但它们的适用场景并不完全相同。AUC更关注排序能力，适合衡量模型整体区分水平；F1则综合了精确率与召回率，更适合强调少数类识别质量的任务。 不过，这些指标也不是万能的，仍需结合具体业务目标和错误代价来解读。
2.3 对实际应用的影响
2.3.1 漏报关键事件
在高风险场景中，少数类往往对应更重要的事件，例如异常、故障或违约。若模型对这类样本识别不足，就可能造成漏报。 漏报往往比误报更难被后续流程纠正，因此实际影响通常更大。
2.3.2 误报成本上升
为提高少数类识别率，模型有时会倾向于“更敏感”的判断方式，但这也可能带来更多误报。 误报会增加人工复核、资源调度和后续干预成本，尤其在大规模应用中更为明显。
2.3.3 决策可靠性降低
当模型对少数样本识别不稳定时，系统输出的置信度和一致性也会下降。 这会削弱用户对模型结论的信任，并影响其在自动化决策链条中的可用性。
3 处理方法
处理样本不均衡通常需要多层次配合：既可以从数据本身入手，也可以调整算法和评估方式。实际应用中，常常需要根据任务目标、数据规模和误判代价组合使用。
3.1 数据层面方法
数据层面的思路，是通过改变训练数据的组成，让模型更均衡地接触各类样本。
3.1.1 欠采样
欠采样通过减少多数类样本数量，来缓解类别失衡。其优点是能降低训练规模、缩短计算时间，但也可能损失有用信息。
3.1.1.1 随机欠采样
随机欠采样直接从多数类中随机删除部分样本，使各类数量接近。 这种方法实现简单，但若删去的样本包含重要边界信息，模型性能可能下降。
3.1.1.2 分层欠采样
分层欠采样会先按某些特征、子群体或簇结构进行划分，再在各层内部进行抽样。 这样可以在保留代表性信息的同时减少冗余，比纯随机删除更稳妥。
3.1.2 过采样
过采样通过增加少数类样本来平衡数据分布，适合少数类信息珍贵、难以直接获取的场景。
3.1.2.1 随机过采样
随机过采样通过重复抽取少数类样本来扩充数据量。 它能快速改善类别比例，但重复样本过多时，容易使模型记住已有样本而非学习更一般的规律。
3.1.2.2 SMOTE及其变体
SMOTE通过在少数类样本及其邻近样本之间插值，生成新的合成样本。 相比简单复制，它更能增加样本多样性，减少机械重复。其后续变体还会考虑边界样本、噪声样本或不同邻域结构，以提高生成质量。
3.1.3 数据增强
数据增强通常用于扩大少数类的有效样本空间，尤其适合图像、文本和语音等可变换数据。
3.1.3.1 合成样本生成
合成样本生成依赖生成模型、规则引擎或仿真机制，创造与原始数据相似但不完全重复的新样本。 该方法的关键在于保持真实分布特征，同时避免引入过多伪影。
3.1.3.2 噪声扰动与变换
通过对原始样本进行轻微扰动、裁剪、旋转、替换或重排，可以得到一批具有等价或近似等价语义的新样本。 这种方式在视觉任务和文本任务中都较常见，但需要控制变换幅度，以免破坏标签含义。
3.2 算法层面方法
算法层面的处理，是在训练目标或决策机制上直接考虑类别失衡。
3.2.1 类别权重调整
类别权重调整会给少数类更高的损失权重，让模型在优化时更重视这部分样本。 这种方法不改变原始数据分布，但能显著影响训练方向，是较常用的基础策略之一。
3.2.2 成本敏感学习
成本敏感学习将不同错误赋予不同代价，使模型在优化时兼顾误判后果。 对于少数类尤其重要的任务，这种方法比单纯追求总体正确率更符合实际需求。
3.2.3 集成学习策略
集成学习通过组合多个基学习器，提高对复杂分布的适应能力。在不均衡问题中，它常与重采样或加权机制结合使用。
3.2.3.1 Boosting方法
Boosting会逐轮关注前一轮难以分类的样本，因此在一定程度上可以强化少数类学习。 不过，如果少数类中噪声较多，Boosting也可能放大错误样本的影响。
3.2.3.2 Bagging方法
Bagging通过对训练集进行多次抽样并汇总多个模型结果，提升稳定性。 在不均衡场景下，若配合平衡抽样或类别加权，往往能得到较好的泛化表现。
3.2.4 阈值调整
许多分类器默认使用固定阈值进行判定，但在不均衡任务中，这一阈值未必合适。 通过调整阈值，可以在召回率与精确率之间重新取舍，使模型更符合业务需求。
3.3 评估层面方法
评估层面的重点，是避免使用会被不均衡分布误导的验证方式与指标。
3.3.1 分层抽样验证
分层抽样验证会在训练集、验证集和测试集中尽量保持类别比例一致。 这样可以减少抽样波动，让评估结果更稳定，也更接近真实使用环境。
3.3.2 适用指标选择
不均衡任务通常不宜只看准确率，而应结合更能反映少数类表现的指标。
3.3.2.1 精确率
精确率表示被预测为正类的样本中，有多少 वास्तव正确。 它适合衡量误报控制能力，在误报成本较高的任务中尤其重要。
3.3.2.2 召回率
召回率表示真实正类中有多少被成功识别。 当漏报代价更高时，召回率往往比准确率更有参考价值。
3.3.2.3 F1值
F1值是精确率与召回率的综合指标，适用于需要兼顾两者的场景。 它能够在一定程度上避免模型只追求某一方面而忽略另一方。
3.3.2.4 PR曲线
PR曲线展示精确率与召回率之间的变化关系，特别适合正类稀少的情况。 与某些总体指标相比，它对少数类性能更敏感，因此在不均衡评估中常被优先采用。
4 应用场景
样本不均衡几乎贯穿所有需要识别“少见但重要”事件的领域。不同场景对漏报、误报和处理效率的容忍度不同，因此方法选择也会有所差异。
4.1 医疗健康
医疗数据中常常存在明显的不均衡特征，尤其是筛查和罕见疾病相关任务。
4.1.1 疾病筛查
在大规模筛查中，真正患病的人数通常远少于健康人群。 模型如果过度偏向多数类，就可能把潜在患者排除在外，因此更需要关注召回率和漏诊风险。
4.1.2 罕见病识别
罕见病本身样本极少，且临床表现可能多样，导致学习难度较高。 这类任务往往依赖多模态数据、专家知识和更细致的异常识别策略。
4.2 金融风控
金融场景中的异常行为通常是低频事件，但其后果可能较为严重。
4.2.1 欺诈检测
欺诈交易往往只占整体交易中的极小比例。 模型不仅要尽量发现可疑样本，还要控制误报，以免影响正常业务流程。
4.2.2 信用违约预测
在信用评估中，真正违约的客户通常少于按时履约者。 样本不均衡会使模型更容易低估违约风险，因此常需要结合成本敏感策略进行建模。
4.3 工业与运维
工业系统中，故障与异常通常是少数事件，但一旦发生往往需要及时处理。
4.3.1 故障预警
设备大部分时间处于正常状态，故障样本相对稀缺。 如果模型训练时过于依赖正常样本，预警能力就会不足。
4.3.2 设备异常检测
异常检测常面对极端不均衡数据，甚至只有正常样本可供学习。 此时，模型更多依赖对正常模式的刻画，再通过偏离程度识别异常。
4.4 文本与推荐系统
文本与推荐场景中的不均衡，往往表现为内容类别和物品曝光的长尾结构。
4.4.1 罕见文本分类
在新闻、评论或舆情分类中，某些主题出现频率很低，却可能具有较高关注价值。 模型若只学习高频标签，容易忽视这些低频但重要的文本类型。
4.4.2 长尾推荐优化
推荐系统中，热门内容更容易被继续推荐，形成“越热越热”的累积效应。 为改善这一问题，系统常需要兼顾点击率与覆盖率，让长尾内容获得合理曝光。
5 相关概念
样本不均衡与若干统计和机器学习概念密切相关，理解这些术语有助于更准确地分析问题。
5.1 类别不平衡
类别不平衡是样本不均衡中最常见的一种形式，特指分类任务里不同类别样本数差距明显。 它通常也是多数数据处理策略的直接目标。
5.2 长尾分布
长尾分布描述的是少数高频项与大量低频项并存的结构。 在现实数据中，这种分布非常常见，尤其在内容、商品和用户行为数据中表现明显。
5.3 数据偏差
数据偏差是指数据采集、筛选或标注过程使样本不能代表总体。 样本不均衡有时就是数据偏差的一种外显结果。
5.4 过拟合与欠拟合
过拟合指模型对训练数据记忆过强，欠拟合则表示模型连基本规律都没有学到。 在不均衡场景中，两者都可能出现，只是表现形式更复杂。
5.5 置信区间与统计显著性
在样本较少的一类中，统计估计往往更不稳定，置信区间也会更宽。 因此，分析不均衡数据时，不仅要看点估计，还应关注结果是否具有统计显著性。
6 研究与发展
围绕样本不均衡的研究已经从传统重采样方法，逐步发展到与深度学习、自动化搜索和公平性分析结合的方向。
6.1 传统方法阶段
早期研究主要集中于欠采样、过采样和代价敏感分类等技术。 这些方法实现简单，容易与常规模型结合，因此长期以来都是处理不均衡问题的基础工具。
6.2 深度学习中的应对策略
在深度学习中，不均衡问题通常会通过重加权损失、焦点损失、难样本挖掘和样本重采样等方式缓解。 随着模型规模增大，研究重点也从单纯平衡数量，转向提升少数类表征能力和训练稳定性。
6.3 自动化平衡技术
自动化平衡技术试图根据数据特征自动选择抽样比例、权重参数或训练策略。 这类方法能够减少人工调参成本，也更适合大规模、多任务场景。
6.4 可解释性与公平性讨论
近年来，研究者开始关注不均衡处理对模型解释和群体公平性的影响。 如果某些群体样本天然较少，简单的“平衡”处理未必总是合理，还需结合任务目标、数据来源和误差代价综合判断。