类别不平衡的处理方法
哪些公司问过
答案要点
- 数据层面:过采样少数类、欠采样多数类,SMOTE 合成少数类,数据增强
- 算法层面:损失函数加类别权重,focal loss,集成方法(多次欠采样加 bagging)
- 决策层面:调整分类阈值,不用默认 0.5
- 评估层面:看精确率、召回率、F1、PR 曲线,不能只看准确率
- 重采样只在训练集上做,避免数据泄漏
易错点
- 只看准确率评价模型
- 在划分训练集之前就做重采样,造成数据泄漏
- 只会过采样,不考虑过拟合
- 分类阈值一直用 0.5
面试官常见追问
- 有没有自动解决类别平衡的方法?
- SMOTE 的原理是什么?
- 为什么不平衡时不能只看准确率?
- 过采样和欠采样各有什么优缺点?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。