處理樣本不均衡數據一般可以有以下方法：
1、人為將樣本變為均衡數據。
上采樣：重復采樣樣本量少的部分，以數據量多的一方的樣本數量為標准，把樣本數量較少的類的樣本數量生成和樣本數量多的一方相同。
下采樣：減少采樣樣本量多的部分，以數據量少的一方的樣本數量為標准。
2、調節模型參數（class_weigh，sample_weight，這些參數不是對樣本進行上采樣下采樣等處理，而是在損失函數上對不同的樣本加上權重）
（A）邏輯回歸中的參數class_weigh；
在邏輯回歸中，參數class_weight默認None，此模式表示假設數據集中的所有標簽是均衡的，即自動認為標簽的比例是1：1。所以當樣本不均衡的時候，我們可以使用形如{標簽的值1：權重1，標簽的值2：權重2}的字典來輸入真實的樣本標簽比例（例如{“違約”：10，“未違約”：1}），來提高違約樣本在損失函數中的權重。
或者使用”balanced“模式，sklearn內部原理：直接使用n_samples/(n_classes * np.bincount(y))，即樣本總數/(類別數量*y0出現頻率)作為權重，可以比較好地修正我們的樣本不均衡情況。
（B）在SVM中使用SVC類的參數class_weigh和接口fit中可以設定的sample_weight：
SVC類的參數class_weigh：
對於class_weight，輸入形如{"標簽的值1"：權重1，"標簽的值2"：權重2}的字典，則不同類別的C將會自動被設為不同的值：
sklearn內部原理：標簽的值為1的C：權重1 * C，標簽的值為2的C：權重2*C
或者，可以使用“balanced”模式，sklearn內部原理：這個模式使用y的值自動調整與輸入數據中的類頻率成反比的權重為 n_samples/(n_classes * np.bincount(y)
fit接口參數sample_weight：
參數形式：數組，結構為 (n_samples, )，則模型參數C則變為，每個樣本的權重 * C值，這樣迫使分類器強調權重更大的樣本。通常，較大的權重加在少數類的樣本上，以迫使模型向着少數類的方向建模