如何扫描一个网站的漏洞排位及资讯
什么是类别不平衡问题
分类学习方法都有一个共同的基本假设，即不同类别的训练样例数目相当。如果不同类别的训练样例数目稍有差别，通常影响不大，但若差别很大，则会对学习过程造成困扰。例如有998个反例，但正例只有2个，那么学习方法只需返回一个永远将新样本预测为反例的学习器，就能达到99.8%的精度；然而这样的学习器往往没有价值，因为它不能预测出任何正例。
数学解释
以下是分类策略：
然而，当训练集中正、反例的数目不同时，令m+表示正例数目，m-表示反例数目，此时分类策略应该是：
如何解释呢？可以反方向解释，如果m+大于m-，那么学习到的模型就会偏向于预测正例，这对反例不公平，因此，只有当以上左边式子大于右边式子也就是大于1时，预测为正例才公平，这就是对训练集正例较多的惩罚。
然后可以稍作调整，这就是再平衡，也就是再缩放策略：
如何解释呢？和上面的解释类似，如果m+大于m-，那么学习到的模型就会偏向于预测正例，这对反例不公平，因此右式乘以了m-/m+，相当于将 y/1-y缩放了，这样要大于1就更加困难了，也相当于对正例的惩罚。
最后看一下人工智能的回答：
