MATLAB 类别不平衡问题代码示例：平衡数据和提高模型性能

当涉及到具体的代码示例时，以下是一个使用MATLAB内置函数处理类别不平衡问题的示例代码：

% 步骤1：导入所需的MATLAB工具箱（例如Statistics and Machine Learning Toolbox）

% 步骤2：准备数据集（X为特征矩阵，y为标签向量）
% 假设你已经加载了4分类的数据集，并将特征保存在矩阵X中，标签保存在向量y中

% 步骤3：训练分类模型
% 使用合适的分类算法，如fitcecoc、fitensemble或fitcknn训练一个分类模型
model = fitcecoc(X, y);  % 以fitcecoc为例

% 步骤4：处理类别不平衡问题
% 使用内置函数来处理类别不平衡问题
balancedModel = fitcecoc(X, y, 'Weights', 'auto');  % 使用内置的权重调整方法

% 或者使用内置的随机欠采样和随机过采样方法
% 随机欠采样
undersampleData = undersample(X, y, 'RandomUnderSampler', 'Rate', 'auto');
undersampleX = undersampleData.X;
undersampley = undersampleData.Y;

% 随机过采样
oversampleData = oversample(X, y, 'RandomOverSampler', 'Rate', 'auto');
oversampleX = oversampleData.X;
oversampley = oversampleData.Y;

% 步骤5：使用处理后的数据进行模型训练和评估
% 使用平衡的数据集进行模型训练和评估
balancedModel = fitcecoc(balancedX, balancedy);  % 使用平衡数据集训练模型

% 或者，使用经过欠采样或过采样的数据集进行模型训练和评估
modelUnder = fitcecoc(undersampleX, undersampley);  % 使用欠采样数据集训练模型
modelOver = fitcecoc(oversampleX, oversampley);  % 使用过采样数据集训练模型

以上示例代码提供了一些基本的方法来处理类别不平衡问题。具体的实现细节可能会因你的需求和数据集的特点而有所不同。你可以根据具体的问题，选择合适的方法和函数来解决类别不平衡问题。请参考MATLAB的文档和函数参考来获取更多关于各种函数的详细信息和用法示例。