一句话定义：类别不平衡（Class Imbalance）是指训练数据里各个类别的样本数量相差悬殊——比如 1000 笔交易里只有 5 笔是欺诈，其余 995 笔都正常。
为什么 99% 的准确率会骗人
假设你要做一个"这笔交易是不是欺诈"的二分类模型。数据里 99% 正常、1% 欺诈。现在有个模型，不管输入什么，一律输出"正常"。它的准确率（Accuracy）是 99%，看起来漂亮极了，但它一笔欺诈都没抓到——这个模型什么都没学会。
打个生活化的比方：安检如果索性取消检查、让所有人直接通过，那"放行率 100%、误拦率 0"，数据上完美，但这不叫安检做得好，叫安检没做。准确率这个指标天然偏爱"猜多数类"，因为多数类占了样本的大头。
所以问题不是"预测对了多少"，而是"少数类抓到了几个、抓错了几个"。真正要看的指标是：
- 精确率（Precision）：被判为欺诈的样本里，真的有多少是欺诈；
- 召回率（Recall）：所有真实欺诈中，被抓出来了多少；
- F1：精确率和召回率的折中；
- PR-AUC：在不平衡数据下，通常比 ROC-AUC 更能反映少数类的表现。
常见的几类处理手段
| 思路 | 做法 | 代价与适用 |
|---|---|---|
| 数据层面 | 过采样少数类、欠采样多数类、SMOTE 合成少数类样本 | 上手快；过采样容易过拟合，欠采样会丢信息 |
| 算法层面 | 类别权重（Class Weight）、Focal Loss | 不改数据就能让模型更在意少数类 |
| 评估层面 | 换指标、调整分类阈值、看混淆矩阵 | 成本最低，往往收益最直接 |
| 换问题形式 | 转成异常检测（Anomaly Detection） | 少数类极少且形态多变时更合适 |
和相邻概念的区别
不平衡不等于数据量小：十万条样本也可能严重不平衡。不平衡也不等于模型差：模型可能已经很有用，只是被一个不合适的指标掩盖了。它是"类别之间的相对比例"问题，而不是绝对数量问题，所以补数据未必有用——你得补对那一类。
对从业者的实际意义
第一，先问业务代价。漏掉一笔欺诈和误拦一个正常用户，损失一样吗？不一样，就该调分类阈值，而不是死守默认的 0.5。第二，汇报时别只给准确率，至少附上混淆矩阵和召回率，否则很容易给业务方一个虚假的安全感。第三，采样操作只在训练集上做，验证集和测试集要保留真实分布（具体做法以各框架官方文档为准），否则指标会虚高，上线就露馅。
一句话总结：类别不平衡提醒我们，模型好不好，取决于你更怕哪一种错，而不是"对得多不多"。