当前位置:首页>美股资讯>AI 分类模型遇类别失衡怎么办
美股资讯

AI 分类模型遇类别失衡怎么办

2025年第二季度,多家风控与医疗影像团队在技术复盘里反复提及同一个数字:正样本占比0.7%。当反欺诈模型面对每十万笔交易仅七百笔真实欺诈,或肺结节筛查里恶性样本不足总量2%时,默认阈值下的分类器常给

来源:发布时间:2026-11-22 05:19:43栏目:美股资讯浏览:826 次

AI 分类模型遇类别失衡怎么办

2025年第二季度,分类多家风控与医疗影像团队在技术复盘里反复提及同一个数字:正样本占比0.7%。模型当反欺诈模型面对每十万笔交易仅七百笔真实欺诈,遇类或肺结节筛查里恶性样本不足总量2%时,别失默认阈值下的衡办分类器常给出“全阴性”的完美准确率——97.3%的准确率背后,召回率可能是分类0。这不是模型调参能救的问题,是遇类数据分布本身在对抗训练目标。

重采样之外,别失先算清业务账

多数人第一反应是衡办欠采样多数类或过采样少数类。欠采样随机丢掉98%的分类正常交易,等于把欺诈模式淹没前的模型背景噪声也一并抹掉,AUC看似提升,遇类上线后误杀率飙升;SMOTE过采样若直接套在300维稀疏特征上,别失合成样本往往落在特征空间的衡办空白区,训练集虚高、验证集塌方。处理类别失衡前,应先明确两件事:当前业务的成本矩阵是什么?漏掉一例欺诈的损失是误拦截一单的50倍还是5倍?医疗场景里,假阴性患者起诉成本与假阳性复核人力成本完全不同。没有成本矩阵的F1值是空谈,代价敏感学习需要的是错分代价比例,不是拍脑袋的“大概1:10”。

阈值迁移比改损失函数更直接

很多团队花三周改Focal Loss或加权交叉熵,上线后效果平平。更务实的路径是先冻结模型、迁移决策阈值。某支付平台对二分类输出的原始概率做等距扫描,在验证集上发现PR曲线的拐点出现在0.13附近——恰好对应每笔欺诈漏过损失283元、误拦截成本19元的真实账目。把默认0.5阈值降到0.13后,召回从41%拉到78%,精度仅跌4个百分点。损失函数层面的修改当然有价值,但它改变的是模型拟合方向,阈值迁移则是零训练成本的杠杆点。顺序反过来做,先搜阈值,再看采样策略,往往能省掉一半迭代轮次。

伪标签与异常检测的工程补救

当恶意样本实在太少、连重采样都撑不起类别边界时,把分类问题降级为异常检测是可行的后手。孤立森林或自编码器只学多数类分布,把偏离核心密度的样本标记出来交给人工审核,相当于用人力池扩充伪标签。某反洗钱系统用这个办法三个月积累出1.2万条人工确认的洗钱案例,随后才切换为有监督分类,初始F1从0.31起步,比直接训练高出近20个点。需要注意:异常检测给出的候选集噪声大、召回靠人工兜底,冷启动期间审核团队排班成本必须提前算进去,否则项目会死在标签生产环节。

处理类别失衡没有银弹,但有一条可执行的动作序列:先算错分代价,再做阈值迁移,评估是否需采样或损失函数修改,极端失衡下退到异常检测养标签。每次调整只在验证集上盯一个指标——召回、精度、F1或业务损失,别被“准确率”带偏。如果下次有人拿97%的准确率汇报风控模型,问他一句:那0.7%的欺诈里,你抓到了几个?