樣本不平衡往往會導致以下問題：
對比例小的樣本造成過擬合，也就是說預測偏向樣本數較多的分類。這樣就會大大降低模型的范化能力。往往accuracy（准確率）很高，但auc很低。
針對樣本的不平衡問題，有以下幾種常見的解決思路：
- 搜集更多的數據
- 改變評判指標
- 對數據進行采樣
- 合成樣本
- 改變樣本權重
搜集更多的數據
搜集更多的數據，從而讓正負樣本的比例平衡，這種方法往往是最被忽視的方法，然而實際上，當搜集數據的代價不大時，這種方法是最有效的。
但是需要注意，當搜集數據的場景本來產生數據的比例就是不平衡時，這種方法並不能解決數據比例不平衡問題。
改變評判指標
改變評判指標，也就是不用准確率來評判和選擇模型，原因就是我們上面提到的 Accuracy Paradox 問題。實際上有一些評判指標就是專門解決樣本不平衡時的評判問題的，如准確率，召回率，F1值，ROC（AUC），Kappa 等。
根據這篇文章，ROC 曲線具有不隨樣本比例而改變的良好性質，因此能夠在樣本比例不平衡的情況下較好地反映出分類器的優劣。
對數據進行采樣
對數據采樣可以有針對性地改變數據中樣本的比例，采樣一般有兩種方式：over-sampling和 under-sampling，前者是增加樣本數較少的樣本，其方式是直接復制原來的樣本，而后者是減少樣本數較多的樣本，其方式是丟棄這些多余的樣本。
通常來說，當總樣本數目較多的時候考慮 under-sampling，而樣本數數目較少的時候考慮 over-sampling。
合成樣本
合成樣本(Synthetic Samples)是為了增加樣本數目較少的那一類的樣本，合成指的是通過組合已有的樣本的各個 feature 從而產生新的樣本。
一種最簡單的方法就是從各個 feature 中隨機選出一個已有值，然后拼接成一個新的樣本，這種方法增加了樣本數目較少的類別的樣本數，作用與上面提到的 over-sampling方法一樣，不同點在於上面的方法是單純的復制樣本，而這里則是拼接得到新的樣本。
這類方法中的具有代表性的方法是 SMOTE（Synthetic Minority Over-sampling Technique），這個方法通過在相似樣本中進行 feature 的隨機選擇並拼接出新的樣本。
改變樣本權重
改變樣本權重指的是增大樣本數較少類別的樣本的權重，當這樣的樣本被誤分時，其損失值要乘上相應的權重，從而讓分類器更加關注這一類數目較少的樣本。