数据一边倒，是真实世界的常态
训练一个判断异常交易的模型，数据里正常记录占绝大多数，异常记录只有零星的几十条——这就是样本不均衡。它指的是分类任务中不同类别的数量差距悬殊。真实场景里，设备故障、异常交易、垃圾邮件本来就是少数，收集到的数据天然一边倒。学习这种数据的AI，很容易学出一个「偷懒」的行为。
要理解这个现象，先得知道大语言模型和传统分类模型一样，都是「数据喂什么就学什么」。数据里九成九是多数类，模型自然会倾向预测多数类。
99% 的准确率为什么会骗人
假设 10000 条数据里，正常 9980 条、异常 20 条。模型只要把每一条都判成「正常」，准确率就有 99.8%。这个数字漂亮，但它一笔异常都抓不到，等于完全没用。准确率在不均衡数据上，特别容易骗人。
因为「准确率」默认每一类错得一样重，可现实中不同错误的代价天差地别。下表列出几类场景的错误代价差异：
| 场景 | 漏报的后果 | 误报的后果 | 更怕哪一类 |
|---|---|---|---|
| 异常交易检测 | 放走异常，代价实打实 | 多查几笔，打扰用户 | 漏报 |
| 设备故障预警 | 设备损坏、停机 | 多跑一次检修 | 漏报 |
| 垃圾邮件过滤 | 漏掉几封垃圾 | 把正常邮件误删 | 误报 |
看懂了这张表，就明白为什么不能用一个「准确率」糊弄过去。
四条应对思路
面对不均衡数据，方向有四个，可以单独用也可以组合：
- 换指标：改看精确率和召回率，它们分别回答「报出来的有多少是对的」「真正有问题的抓到了多少」。
- 重采样：增加少数类样本（复制或合成），或削减多数类样本，让比例回到可控范围。
- 调权重：训练时让模型更「重视」少数类，犯错代价更高。
- 改门槛：把判定边界挪一挪，宁可多报一些，也别漏掉关键的少数。
这些方法没有放之四海皆准的配方，用哪一条取决于前面那张「错误代价表」。
重采样又分两个方向：上采样给少数类「增员」，复制现有样本或用算法合成新样本；下采样给多数类「瘦身」，随机丢掉一部分。数据够多时下采样省时，数据本来就少时更适合上采样。合成样本（如 SMOTE 这类方法）会在少数类之间插值造出「中间点」，但它造的是猜测，未必贴合真实分布。
先想清楚：哪种错更严重
调模型之前，要先回答一个更根本的问题：在这个任务里，漏报和误报哪个更不能接受。这个问题想不清楚，后面所有技巧都是盲调。答案来自业务本身，而非模型：异常交易宁可多查也别漏，垃圾邮件宁可漏几封也别误删正常信。方向定对了，选指标、设权重、定门槛才有依据。
它做不到什么
样本不均衡的应对方法不是魔术，有几个边界必须认清：
- 少数类样本极少时，合成样本是「猜测」而非「事实」：靠复制或合成造出来的少数类，可能和真实分布有偏差，模型学到的边界未必对。
- 重采样改变不了「信息总量」：如果原始数据里少数类本身就稀缺，重采样只是重新加权，补不出缺失的真实信息。
- 没有指标能替代业务判断：精确率、召回率、F1 都是工具，最终「哪个错更严重」要人来定，模型给不了答案。
速查：听到「准确率 99%」时追问三句
- 正负样本各占多少？
- 漏报率、误报率分别是多少？
- 这个任务里，漏掉一个和误判一个，哪个更糟？
问清这三句，就能看穿大多数用「高准确率」包装的不均衡陷阱。
落到普通人身上
你不需要自己训练模型，但可以带着这套眼光看 AI 产品。就像智能抠像对前景和背景的像素数量天生不均衡，模型必须专门处理前景与背景的悬殊比例，才能抠得干净；类似的，智能重构图要把横屏画面裁成竖屏，也得先判断哪个区域是画面主体，主体与背景的占比同样不均衡。当某个系统宣称「识别准确率 99%」，先别急着信，问一句「少数类有多少、漏报多少」，比记任何公式都管用。
