欠采样是什么？减少多数类样本来平衡数据

欠采样（Undersampling），也叫下采样，是机器学习中处理类别不平衡问题的一种方法：通过减少多数类别的样本数量，使各个类别的样本数量变得更加平衡，从而让模型在训练时不会过度偏向多数类别。它与过采样相对：过采样是增加少数类的样本，欠采样是减少多数类的样本。

为什么需要欠采样

在类别不平衡的数据中，比如一百万笔交易中只有一千笔是欺诈交易，模型在训练时几乎只能看到正常交易，很容易学会把所有交易都判断为正常，虽然准确率高达 99.9%，却完全找不出欺诈交易。欠采样通过去掉一部分正常交易的样本，让模型在训练时能够更多地关注少数类别。另外，当多数类的样本数量极其庞大时，欠采样还能大幅减少训练数据的规模，加快训练的速度、降低计算的成本。

常见的欠采样方法

随机欠采样：最简单的方法，从多数类中随机地删除一部分样本，直到两类的数量达到想要的比例。它简单快速，但缺点也很明显：被删掉的样本中可能包含有用的信息，尤其是当删掉的比例很大时，模型可能学不到多数类的完整面貌。

有选择的欠采样：不是随机地删除，而是有针对性地选择要删除或保留的样本。Tomek 链接：如果一个多数类样本和一个少数类样本互为对方的最近邻，它们就构成一个 Tomek 链接，这些样本通常位于两类的边界上，或者是噪声。删除其中的多数类样本，可以让两类之间的边界更加清晰。近邻清理和编辑最近邻：删除那些被周围的少数类样本包围、与邻居的类别不一致的多数类样本。NearMiss：根据多数类样本与少数类样本之间的距离，选择保留那些离少数类最近或最具有代表性的多数类样本。基于聚类的方法：先对多数类样本进行聚类，再用每个簇的中心或代表样本来代替整个簇，在减少数量的同时尽量保留多数类的分布特征。

集成的方法：为了弥补随机欠采样丢失信息的缺点，可以多次进行欠采样，每次都得到一个不同的平衡的子集，分别训练多个模型，再把它们组合起来。比如 EasyEnsemble 方法，每个模型只看到多数类的一部分，但所有模型合在一起看到了多数类的全部，既平衡了类别，又没有浪费数据。

使用时的注意事项

欠采样只能在训练集上进行，不能对验证集和测试集进行欠采样，它们应该保持数据的真实分布，这样评估的结果才能反映模型在实际中的表现。欠采样改变了训练数据中各类别的比例，模型输出的概率会因此偏高，如果需要准确的概率值，比如用于风险定价，需要进行校准。此外，欠采样与过采样也可以结合使用，比如先用 SMOTE 进行过采样，再用 Tomek 链接清理边界附近的噪声样本。除了改变数据，为少数类设置更高的损失权重、调整分类阈值等方法也常常能达到类似的效果。

信号处理中的欠采样

在信号处理中，欠采样指的是以低于奈奎斯特频率（信号最高频率的两倍）的频率对信号进行采样，这通常会导致混叠，使信号失真。但在某些特殊的场合，比如对频率集中在某个窄带内的高频信号进行采样时，也可以有意地利用欠采样来降低对采样设备的要求，这叫带通采样。