机器学习中，当原始数据的分类极不均衡，需要对不平衡数据进行处理，而下采样就是处理方法之一。简单来说就是从多数类中随机抽取样本从而减少多数类样本的数量，使数据达到平衡。
下采样，通常适用于正负样本相差较大，而且小样本数据不足的情况。就是将大样本中数据使用一定的方法取出一部分，让正负样本数量相当。但是下采样的缺点也很明显，就是没有学到全部的数据，只考虑了部分数据的情况。
下采样的方法常见的有：
1.随机下采样法。这种方法不能考虑到全部数据，在使用过程中会使用一些方式减小信息的损失。方法很简单，从多数类样本中随机选取一些，直接剔除掉。这种方法的最大缺点是，没有考虑到全部数据，被剔除的样本可能包含着一些重要信息，导致最终学习出来的模型效果比较差。
2.EasyEnsemble，就是利用模型融合的方法，将多数类样本随机划分成n个子集，每个子集的数量等于少数类样本的数量，多次进行下采样产生多个不同的模型，通过组合这些模型的结果，得到最终的结果。
3.BalanceCascade，即利用增量训练也就是有监督结合Boosting的方法，在第n轮训练中，将从多数类样本中抽样得来的子集与少数类样本结合起来训练一个基学习器H，训练完后多数类中能被H正确分类的样本不放回，然后对剩下的样本训练生成第二个基学习器，以此类推，最后将不同的基学习器集成起来。
3.NearMiss,本质上是一种原型选择(prototype selection)方法，就是从多数类样本中选取最具代表性的样本用于训练，这主要是为了缓解随机欠采样中的信息丢失问题。NearMiss采用一些启发式的规则来选择样本，根据规则的不同可分为3类：
NearMiss-1：选择到最近的K个少数类样本平均距离最近的多数类样本
NearMiss-2：选择到最远的K个少数类样本平均距离最近的多数类样本
NearMiss-3：对于每个少数类样本选择K个最近的多数类样本，目的是保证每个少数类样本都被多数类样本包围
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在数据驱动的精细化运营体系中，指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升，指标数量持续膨胀，但 ...
2026-07-23在用户运营与产品增长体系中，留存是衡量产品真实价值与用户粘性的核心标尺，也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23 很多数据分析师精通Excel、SQL、Python等工具，但当被问到“面对一个具体的业务问题，该用什么分析方法”“描述性分析和诊断 ...
2026-07-23【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平 ...
2026-07-22在高并发、大数据量的业务系统中，单表数据量达到千万级甚至亿级后，会出现查询性能骤降、索引维护成本飙升、存储扩容困难等问题 ...
2026-07-22 很多企业团队并非缺乏指标，而是陷入“指标失控”：仪表盘上堆满实时跳动的数据，却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-07-22在金融风控、企业运营、行业研究等数据分析场景中，大量数据以面板数据形态存在：例如多家分支机构连续多个季度的风险指标、多位 ...
2026-07-21 很多数据分析师每天都在计算指标、制作报表，但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-07-21一、活动介绍 2026暑期CDA备考冲刺季，为想利用假期拿证的你量身打造。考点胶囊内容搭配多重硬核福利，让你在旅行、实习、居家 ...
2026-07-21金融行业的运营风险贯穿业务全流程，涵盖交易欺诈、操作违规、流程漏洞、合规偏差、客户信用异常等多元场景，是银行、保险、证券 ...
2026-07-17财产保险作为金融行业的核心板块，涵盖车险、家财险、责任险、企财险等多元品类，是个人与企业抵御财产风险、经营风险的重要保障 ...
2026-07-17 很多数据分析师能熟练写SQL、做透视表，但当被问到“数据是从哪里来的？经过哪些加工才进入数据仓库？ETL具体做了什么？”时 ...
2026-07-17【核心关键词】模块、餐饮、客户、门店、企业、订单、供应链、多样化、产品、生产计划、数据分析、生产管理、物料管理、业务分 ...
2026-07-16在数字化分析时代，原始数据本身不具备业务价值，只有通过科学的统计学方法加工、拆解、验证与解读，才能挖掘数据背后的规律、差 ...
2026-07-16 很多数据分析师能熟练地写SQL、做透视表、算描述性统计，但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-07-16在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中，箱线图（Box Plot）是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中，绝大多数业务数据都带有时间维度属性，例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模，但当被问到“这批数据属于什么类型——结构化还是非结构化？分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主，例如用户性别、年龄分层、 ...
2026-07-14
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
