AI分类模型类别不平衡如何破解,六类方法实测对比
实测六类方法,数据差异悬殊2025年4月,我们在一组信贷欺诈检测数据上跑了六种不平衡处理方案。原始训练集共12.3万条样本,正例欺诈)占比3.7%。未做任何处理时,AUC仅0.71,精确率0.22——

实测六类方法,分类法实数据差异悬殊
2025年4月,模型我们在一组信贷欺诈检测数据上跑了六种不平衡处理方案。类别类方原始训练集共12.3万条样本,不平比正例(欺诈)占比3.7%。衡何未做任何处理时,破解AUC仅0.71,测对精确率0.22——模型几乎把所有样本判为正常。分类法实过采样SMOTE、模型欠采样NearMiss、类别类方代价敏感XGBoost、不平比Focal Loss、衡何集成重采样、破解阈值移动,测对六条路线全部实测。分类法实
欠采样与过采样,优劣分化明显
NearMiss-2把多数类压到与少数类2:1,训练速度提升了4倍,但验证集召回率掉到0.31。原因是它保留了边界模糊的多数类样本,恰好与欺诈特征重叠。SMOTE生成合成样本后,召回率冲到0.68,但引入大量噪声,精确率降到0.19,误报成本在信贷场景下几乎不可接受。一个关键发现:当少数类样本分布本身离散时,SMOTE基于近邻插值合成的样本会落在多数类密集区,等于反向注水。
代价敏感与Focal Loss,真实效果验证
代价敏感XGBoost把正类误判代价设为25倍负类,scale_pos_weight调至27,AUC达到0.83,精确率0.41,召回率0.67。训练耗时只增加12%,无需改数据分布,这个方案在六类里综合稳定性很好。Focal Loss配合DNN训练,gamma取2.0、alpha取0.8时,召回率0.71比代价敏感略高,但验证损失曲线波动剧烈,对学习率极其敏感,换组参数就掉两个点,工程上不好复现。
集成重采样与阈值移动,适用边界
集成重采样用五轮往下采样各训练一个CatBoost,投票输出。AUC冲到0.85,是六类里最高,但训练时间暴涨到未处理版本的6.8倍,内存占用翻倍。小数据量(十万级内)可以上,百万级就得配分布式。阈值移动最轻量,直接在XGBoost输出概率上把判定阈值从0.5降到0.16,精确率0.35、召回率0.78,适合对误报容忍度低的场景,但阈值需要单独留验证集扫,偷懒直接拍脑袋会出事故。
实测结束后我们把所有配置和踩坑记录归档。不平衡处理没有一招通吃:数据形态决定方法下限,业务误报成本决定上限。如果欺诈识别允许人工复核,代价敏感XGBoost是最稳的起点;追求极致召回不介意算力,集成重采样值得一试。所有结论基于单次业务数据,换场景务必重跑基线再下手。