什么是类别不平衡？会在哪些地方出现影响

类别不平衡指的是在一个数据集中，某一类别的样本数量远远少于其他类别的样本数量。例如，在一个疾病诊断数据集中，阳性样本数量只有10%，而阴性样本数量占90%。这就是一个类别不平衡的数据集。

类别不平衡会在机器学习任务中出现影响，例如：

1. 模型预测准确率：因为数据集中某些类别的样本数量过少，模型可能会对这些类别进行较差的预测，导致整体准确率下降。

2. 模型训练效果：在训练过程中，模型可能会更容易过度关注样本数量较多的类别，而忽略样本数量较少的类别，导致模型过拟合。

3. 特征选择：如果某些特征只在少数类别中出现，模型可能会将这些特征视为无关紧要的特征，从而忽略对少数类别的预测。

因此，在处理类别不平衡的数据集时，需要特别注意样本数量较少的类别，采取相应的处理方法，例如过采样、欠采样、集成学习等。