罕見疾病資料集嚴重不平衡，怎麼提升少數類偵測？
若開發一個用於罕見疾病自動診斷的分類模型，目前資料集中確診樣本僅佔不到 1%，且因為標註成本高，短期內無法取得更多資料。在此情況下，若希望提升模型對少數類的偵測能力，同時避免過擬合，下列哪一種策略最為合理？
要開發罕見疾病診斷模型，資料集中確診樣本不到 1%，且短期內無法補充更多標註資料。目標是提升模型偵測這 1% 少數類的能力，同時不要過擬合。
問你：資料嚴重不平衡且無法取得更多真實標註資料，哪種策略最合理？
一句話總結
資料嚴重不平衡（少數類 <1%）且無法補充真實資料，用SMOTE（合成少數類過採樣技術）生成合成樣本平衡資料集，比直接複製樣本（過採樣）或刪減多數類（欠採樣）更能避免過擬合並保留資訊。
先感受問題：10,000 筆資料裡只有 90 個確診案例
「博仁醫療 AI」的工程師雅筑要開發一個罕見疾病篩檢模型。
訓練資料：10,000 筆病患記錄，其中確診（陽性）: 90 筆（0.9%），未確診（陰性）: 9,910 筆（99.1%）。
如果直接訓練，模型學到的最簡單規則就是「全部預測陰性」，準確率高達 99.1%，但所有陽性案例都漏掉了，根本沒用。
雅筑需要一個方法讓模型「看到更多陽性案例」，但又不能製造假資料讓模型過擬合。
其他做法各有缺陷
- 隨機過採樣容易過擬合：把 90 個陽性樣本複製貼上幾百次，模型反覆看到完全相同的資料，「記住」這些特定案例，對略微不同的新陽性樣本反而辨識不出來。
- 欠採樣丟棄大量有效資訊：把 9,910 個陰性樣本隨機砍到 90 個，訓練集剩 180 筆，大量原本有用的資訊被丟掉，模型泛化能力差。
- 只調閾值不改資料分佈：降低決策閾值（例如從 0.5 改到 0.1）可以提升召回率，但模型底層的決策邊界沒變，只是「更寬鬆」地標記陽性，精確率會大幅下降，產生大量誤報。
- 直接用不平衡資料硬訓：模型被 9,910 個陰性案例淹沒，梯度更新幾乎全被多數類主導，少數類信號微弱，訓練效果差。
- 加大少數類的損失權重：雖然比不做處理好，但仍是在同樣的 90 筆上做文章，資料量太少時模型仍難以學到穩健的決策邊界。
SMOTE 在真實樣本之間插值，生成新的合理樣本
雅筑採用 SMOTE，做法如下：
- 對每個陽性樣本，找出它的 k 個最近鄰（同樣是陽性樣本）
- 在這個樣本和它的某個近鄰之間，隨機插值產生一個「新」合成樣本
- 重複直到陽性樣本數量到達目標比例（例如陽性：陰性 = 1:4）
為什麼 SMOTE 比直接複製好：合成的樣本是在真實樣本之間「插出來的新點」，不是原有樣本的複製。模型看到的是「分佈在真實陽性樣本附近的合理變體」，學到的決策邊界更穩健，不會只記住那 90 個固定點。
這就是選項 C 講的：使用 SMOTE（Synthetic Minority Over-sampling Technique）生成合成少數類樣本後再訓練分類模型。
技術版：SMOTE 的概念位置和相關改進
SMOTE 是 Chawla 等人在 2002 年提出的不平衡資料處理方法，核心算法：對每個少數類樣本 xi，隨機選取其 k-近鄰中的一個 xnn，在兩點之間插值：x_new = xi + rand(0,1) × (xnn - xi)。
SMOTE 的幾個重要改進版本：
- SMOTE-NC：處理含類別特徵的資料（原版 SMOTE 只能處理數值特徵）
- Borderline-SMOTE：只在決策邊界附近的少數類樣本上做插值，更有針對性
- ADASYN（Adaptive Synthetic Sampling）：根據樣本被誤分類的難易程度，自動調整生成密度
Python 的 imbalanced-learn 套件提供完整 SMOTE 家族實作，使用方式：
from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X_train, y_train)
評估不平衡模型不能只看 Accuracy，應看 F1-Score（少數類）、Recall、AUC-ROC 或 PR-AUC（Precision-Recall 曲線下面積，對不平衡資料更敏感）。
為什麼其他選項是錯的
A對少數類進行隨機過採樣（Random Oversampling）
把那 90 個陽性樣本隨機複製多份，讓陽性和陰性數量接近。
題目明確說「避免過擬合」，而隨機過採樣的最大問題就是過擬合。複製相同樣本讓模型反覆看到同樣的資料點，模型學的是「這 90 個特定樣本」而非「陽性樣本的一般特徵」，對新的陽性樣本泛化能力差。
知道「要增加少數類樣本」但不清楚隨機過採樣和 SMOTE 差異的人。兩者都在增加少數類，但 SMOTE 生成「新」樣本，隨機過採樣只是複製舊樣本。
B對多數類進行欠採樣（Random Undersampling）
把 9,910 個陰性樣本隨機刪掉大部分，讓陰性和陽性數量相近。
刪掉 9,820 個陰性樣本（訓練集只剩 180 筆），原本有價值的陰性資訊大量丟失。用 180 筆訓練出來的模型泛化能力極差，且訓練集太小，過擬合問題更嚴重。
記住「不平衡資料可以用欠採樣平衡」但沒考慮到「當少數類只有 90 筆時，刪多數類後訓練集會小到不夠用」的人。
D僅使用現有資料調整模型決策閾值以提升召回率
不改訓練資料，只把分類器的判斷門檻調低，讓更多樣本被標記為陽性。
閾值調整是「不改動模型，只調整輸出判斷標準」，它確實能提升召回率，但代價是精確率大幅下降：大量陰性樣本被誤判為陽性（誤報率飆升）。醫療場景這意味著大量健康者被誤診、後續不必要的醫療資源浪費，且模型本身的決策能力沒有提升。
只知道「調低閾值可以抓到更多陽性」，但沒考慮精確率代價，或把「提升偵測能力」誤解為「只要召回率高就好」的人。
同個考點下次怎麼變形
評估不平衡資料集的模型，為什麼不能只看 Accuracy？
準確率不是最重要的指標嗎？
99:1 的不平衡資料中，「全預測陰性」的模型準確率就有 99%，但召回率為 0。應改用 F1-Score（少數類）、PR-AUC 或 ROC-AUC 評估，這些指標對少數類的預測能力更敏感。
SMOTE 插值有什麼潛在問題？在什麼情況下效果不好？
SMOTE 聽起來很好，有沒有不適用的場景？
SMOTE 在少數類樣本很少（如 <5 個）時，插值出來的合成樣本幾乎都在相同區域，多樣性不足。另外，若少數類和多數類在特徵空間嚴重重疊，SMOTE 可能在錯誤區域插值，產生「讓模型更混亂」的合成樣本。
除了 SMOTE，不平衡資料還有哪些常見處理策略？
SMOTE 是一種，還有其他方法嗎？
調整損失函數的類別權重（class_weight='balanced'）；使用對不平衡資料穩健的算法（如隨機森林、XGBoost，本身有樣本權重機制）；集成方法（EasyEnsemble、BalancedBaggingClassifier）；Focal Loss（強調難分類的少數類樣本）。
SMOTE 應該在訓練集還是整個資料集上做？
合成樣本要在切分前後生成，順序重要嗎？
MUST 只在訓練集上做 SMOTE，驗證集和測試集保持原始分佈。如果先做 SMOTE 再切分，合成樣本會出現在訓練集和驗證集，導致資訊洩漏（Data Leakage），評估指標虛高。
「Focal Loss」是什麼？它解決不平衡問題的方式和 SMOTE 有什麼不同？
目標偵測的論文常提到 Focal Loss，它也是處理不平衡嗎？
Focal Loss 是損失函數的改進，對容易分類的樣本（多數類）降低損失權重，讓模型更專注於困難樣本（少數類）。SMOTE 是在資料層面做平衡；Focal Loss 是在訓練目標函數層面做平衡，不需要改動資料集，常用於物件偵測（Retina-Net）和不平衡分類任務。
想再往下看，這 5 個
- 資料不平衡（Data Imbalance）類別比例嚴重失衡的資料集，是 SMOTE 等過採樣技術的應用場景。
- 資料擴增術（Data Augmentation）SMOTE 是一種針對表格資料的資料擴增方法，圖像領域有翻轉、旋轉等類似技術。
- F1 Score（F1 分數）評估不平衡資料集模型效果的關鍵指標，綜合精確率和召回率的調和平均。
- 召回率（Recall）醫療診斷場景最關鍵的指標，衡量模型找出所有真陽性的能力。
- 合成數據（Synthetic Data）SMOTE 生成的合成樣本是合成數據的一種，廣泛用於解決資料稀缺和不平衡問題。