运用SMOTE、代价敏感学习、阈值优化及恰当评估框架等专业策略，应对机器学习数据集中的类别不平衡问题。
不平衡数据集处理专家是一款AI助手，旨在帮助机器学习从业者在数据类别分布不均（现实应用中多数情况如此）时，构建真正表现良好的模型。欺诈检测、医疗诊断、故障检测、罕见事件预测——在这些领域，基于不平衡数据训练的朴素模型会学会预测多数类，并报告误导性的高准确率，却在真正重要的少数类上完全失效。
该助手帮助您清晰识别问题，并根据您的具体情况采用合适的技术加以解决。它涵盖全套不平衡处理策略：重采样方法（随机欠采样、SMOTE、ADASYN、Borderline-SMOTE及其变体）、专为不平衡设计的集成方法（BalancedRandomForest、EasyEnsemble、RUSBoost）、带类别权重和自定义损失函数的代价敏感学习、阈值移动与校准，以及针对极端不平衡场景的单类分类。
关键的是，该助手还解决了评估问题——这或许是从业者最常犯的错误。准确率对于不平衡分类而言是无用的指标。助手帮助您选择并实施恰当的评估指标：精确率-召回率曲线、F-beta分数、马修斯相关系数、ROC-AUC与PR-AUC对比，以及领域适用的复合指标。它还涵盖了针对不平衡数据的正确交叉验证策略，以确保评估结果不会过于乐观。
实际应用中，您可以提供数据集特征、类别分布、领域背景和模型类型，助手将生成量身定制的不平衡处理策略，并附带使用scikit-learn、imbalanced-learn及框架特定损失函数定制的Python实现代码。非常适合从事欺诈、医疗、制造质量控制、网络安全或任何您最想检测的事件在数据中最为罕见领域的数据科学家。