Какие методы решения проблемы несбалансированных выборок знаешь

Для работы с несбалансированными выборками применяют следующие методы:

1. Взвешивание классов — присвоение больших весов ошибкам для меньшего класса в функции потерь.
   Пример в sklearn:

    model = LogisticRegression(class_weight='balanced')

2. Сэмплирование:

   • Oversampling (SMOTE) — увеличение меньшего класса через синтетические примеры.

    from imblearn.over_sampling import SMOTE
    smote = SMOTE()
    X_res, y_res = smote.fit_resample(X, y)

*   **Undersampling** — уменьшение большего класса (может потерять информацию).

3. Ансамбли (например, BalancedRandomForest) — алгоритмы со встроенной балансировкой.

4. Метрики вместо accuracy — F1, Precision-Recall, ROC-AUC, чтобы избежать misleading accuracy.

Выбор метода зависит от данных и задачи. SMOTE + ансамбли часто дают лучший результат.