对于数据科学或机器学习研究者而言，当解决任何机器学习问题时，可能面临的最大问题之一就是训练数据不平衡的问题。本文将尝试使用图像分类问题来揭示训练数据中不平衡类别的奥秘。
数据不平衡问题是什么?
在一个分类问题中，当你想要预测一个或多个类中的样本数量极少时，可能会遇到数据中类不平衡的问题，即部分类的样本数量远远大于其它类中的样本数量。
例子
欺诈预测(真实交易的欺诈数量要低得多);
自然灾害预测(坏事件发生的频率将远远低于好事);
识别图像分类中的恶性肿瘤(具有肿瘤的图像将比训练样本内的无肿瘤的图像少得多);
为什么这会是个问题?
不平衡课程造成问题主要是由于以下两个原因：
由于模型/算法从来没有充分地查看全部类别信息，对于实时不平衡的类别没有得到最优化的结果;
由于少数样本类的观察次数极少，这会产生一个验证或测试样本的问题，即很难在类中进行表示;
解决这个问题的方法有哪些?
解决这个问题的方法主要有三种，三种各有各自的优缺点：
下采样(Undersampling)：随机删除具有足够观察多样本的类，以便数据中类的数量比较平衡。虽然这种方法非常简单，但很有可能删除的数据中可能包含有关预测的重要信息。
过采样(Oversampling)：对于不平衡类(样本数少的类)，随机地增加观测样本的数量，这些观测样本只是现有样本的副本，虽然增加了样本的数量，但过采样可能导致训练数据过拟合。
合成取样(SMOT)：该技术要求综合地制造不平衡类的样本，类似于使用最近邻分类。问题是当观察的数目是极其罕见的类时不知道怎么做。
尽管每种方法都有各自的优点，但没有什么固定的使用方式，需要根据实际问题不断自己尝试。现在将使用深度学习特定的图像分类问题来详细研究这个问题。
图像分类中的不平衡类
在本节中，将分析一个图像分类问题(其中存在不平衡类问题)，然后使用一种简单有效的技术来解决它。
问题：在kaggle上选择了“驼背鲸识别挑战”任务，期望解决不平衡类别的挑战(理想情况下，所分类的鲸鱼数量少于未分类的鲸类)。
Kagele上任务说明：在这场比赛中，面临的挑战是要建立一个算法来识别图像中的鲸鱼种类。将分析Happy Whale数据库(包含25,000多张图像)，这些数据来自研究机构和公共贡献者。通过竞赛，你将有助于为全球海洋哺乳动物种群动态开启丰富的理解领域。
查看Happy Whale数据集
由于这是一个多标签图像分类问题，首先想要检查数据是如何在类中分布的。
上图表明，在4251张训练图像中，每个类只有一张图像的超过了2000张。还有一些类只有2~5张图像。可见这是一个严重的不平衡类问题。我们不能期望深度学习模型每个类别仅使用一张图像进行训练。这也会产生一个问题，即如何在训练和验证样本之间创建一个分界线，理想情况下希望每个类都在训练样本和验证样本中都有表示。
接下来应该做什么?
本文考虑了两个特别的选项：
选项1：对训练样本进行严格的数据增强(只需要针对特定类的数据增强，单这可能无法完全解决本文的问题)。
选项2：类似于之前提到的过采样技术。只是使用不同的图像增强技术将不平衡类的图像复制到训练数据中15次。
在开始使用选项2处理数据之前，可以从训练样本中查看少量图像。
从图像中可以看到，图像是特定于鲸鱼的尾巴，因此，识别将可能与图像的方向有关。同时注意到数据中有很多图像是特定的黑白或只有R/G/B通道。
根据这些观察结果，使用以下代码对训练样本中不平衡类的图像进行小幅改动并保存：
以上代码对不平衡类中的每张图像(频率小于10)都进行如下处理：
将每张图像的增强副本保存为R / B&G ;
保存每张图像的增强副本;
保存每张图像未锐化的增强副本;
