AI分类模型类别失衡频发 三类处理策略实测对比
实测环境与三类策略设定2025年4月,我们在电商评论情感分类任务上做了一轮受控测试。原始训练集38万条,正向评论占比91.7%,负向仅8.3%,典型的类别失衡。基线模型为RoBERTa-base微调,

实测环境与三类策略设定
2025年4月,分类我们在电商评论情感分类任务上做了一轮受控测试。模型原始训练集38万条,类别类处理策略实正向评论占比91.7%,失衡负向仅8.3%,测对典型的分类类别失衡。基线模型为RoBERTa-base微调,模型F1-macro仅0.61。类别类处理策略实三类处理策略分别跑了三次:代价敏感学习(正类权重0.54、失衡负类9.2)、测对过采样(SMOTE+随机复制至正负各19万条)、分类以及混合策略(对负类做0.6比例的模型过采样并叠加focal loss,γ=2)。类别类处理策略实测试集固定2万条,失衡正负各半,测对避免指标虚高。
代价敏感修改权重见效快但上限低
直接改损失函数里类别权重的方案最快落地,一行代码的事。实测结果:F1-macro提升至0.69,负类召回率从0.41涨到0.63。代价是正类准确率掉了4.2个百分点。为什么上限不高?因为权重只改变优化方向,没给模型增加任何新信息,少数类样本的决策边界依然靠那几千条原始负样本撑着。电商评论里“不推荐”“太差了”这类强负面表达好识别,但“还行吧,就是物流慢了点”这种弱负面,权重调到9以上也没用,模型还是把它判成正向。数据质量的短板,权重补不上来。
SMOTE过采样在文本特征上翻车
把SMOTE用在句向量上,看似合理,实际效果堪忧。三次实验里负类精确率最高只有0.44,比基线还低。原因是文本嵌入空间的近邻插值产生了大量语义不真实的合成样本,比如“快递太慢”和“包装破损”插值出来的向量,解码近邻词接近“慢损”这种不存在的表达。模型学到的全是虚假的分离面,测试集上一碰真实文本就崩。F1-macro勉强到0.58,低于基线。这个结果不意外,SMOTE原本为表格型数据设计,硬套在稠密语义空间上,等于给模型喂合成噪音。
混合策略投入产出比最合理
过采样比例从0.2到1.0扫了一遍,最终0.6的复制比例加上γ=2的focal loss,F1-macro稳定在0.77,负类召回率0.81、精确率0.73,正类指标基本没损失。多数类占主导的时候,focal loss把模型注意力压向难分样本,而过采样只做轻度扩充,不强行补齐数量差。这套组合训练时间增加17%,换来的是负类F1从0.39提到0.77。如果业务要求负类漏判率极低、正类容忍少量误判,0.6这个比例可以继续往上调到0.8,再高就开始出现SMOTE类似的合成过拟合。
实践下来一条最该记住的点:AI分类模型的类别不平衡处理技巧里,先看少数类样本本身够不够“典型”,再决定加权重还是造样本。少数类只有几百条且质量参差,任何算法层面的修补都难有效果,回去重新标注可能反而省时间。