对于以下问题，请点击所需的箭头以查看您的答案：
假设您的一个数据集的正负比为 1:1000。遗憾的是，您的模型始终预测的是大多数类别。哪种技巧最有助于处理这个问题？请注意，您希望模型报告校准后的概率。
对反例进行降采样。
这是一个良好的开端，但您会改变模型的基本速率，因此该模型不会再校准。
对反例（多数类）进行降采样。然后，按相同的系数对降采样的类别进行加权。
这是处理不平衡数据并仍获得标签真实分布的有效方式。请注意，无论模型是否报告校准的概率都很重要。如果无需校准，则无需担心更改基本费率。
哪些方法会从数据集尾部丢失数据？请选择所有适用选项。
个人身份信息过滤
过滤数据中的个人身份信息可能会移除数据结尾中的信息，使分布出现偏差。
加权
样本加权会改变不同样本的重要程度，但不会丢失信息。事实上，为尾巴示例增加权重可以帮助您的模型学习有关尾巴的行为。
降采样
在降采样时，特征分布的尾部将丢失信息。不过，由于我们通常会对大多数类别进行降采样，因此这种损失通常不是什么大问题。
规范化
归一化是针对单个样本进行运算，因此不会导致采样偏差。
您正在处理一个分类问题，并将数据随机拆分为训练集、评估集和测试集。您的分类器看起来运行正常！但在生产环境中，分类器完全失败。您稍后发现问题是由随机拆分引起的。哪些类型的数据容易受到此问题的影响？
时间序列数据
随机拆分会将每个聚类拆分为测试/序列拆分，从而为在生产环境中不可用的模型提供“先睹为快”。
数据不会随时间变化太多
如果您的数据不会随时间变化很大，则采用随机拆分的可能性会更高。例如，您可能想要识别照片中的狗种，或根据生物识别技术的过往数据预测存在心脏缺陷的患者。在这两种情况下，数据通常不会随时间而变化，因此随机拆分应该不会导致出现问题。
数据分组
测试集与训练集总是过于相似，因为相似的数据集位于两组中。该模型的预测能力似乎比实际表现更好。
具有突发性的数据（与连续数据流相比，间歇性突发数据会到达）
类似数据（连拍）的聚类将显示在训练和测试中。与测试新数据相比，该模型将做出更好的预测。