样本不均衡的处理方法与 EasyEnsemble
哪些公司问过
答案要点
- 数据层:过采样、SMOTE插值合成、欠采样及边界清理
- 算法层:类别加权、Focal Loss,极端情况可转为异常检测
- EasyEnsemble:多次独立欠采样多数类,每份配全部少数类训练基分类器后集成
- BalanceCascade:串行欠采样,逐轮剔除已正确分类的多数类样本
- 评估改用召回、F1、PR-AUC,并按业务调整阈值
易错点
- 先对全量数据过采样再划分训练测试集,造成数据泄漏
- 只做重采样却仍用准确率评估
- 过采样或加权后直接把输出当真实概率使用,未做校准
面试官常见追问
- SMOTE有什么缺点?
- 重采样应该在交叉验证的哪一步做?
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。