数据不平衡问题在机器学习中非常常见，其中一类常见的方法是通过重新采样来平衡数据。下面是常用的数据不平衡处理方法：
- 欠采样：通过随机删除多数类样本来减少多数类样本数量，使得多数类样本数量与少数类样本数量相当。
- 过采样：通过复制少数类样本或生成新的少数类样本来增加少数类样本数量。
- 合成样本：通过合成新的样本来增加少数类样本数量，常见的方法有SMOTE和ADASYN。
- 类别加权：通过对少数类样本赋予更高的权重来平衡数据，使得多数类样本和少数类样本的权重相当。
- 集成学习：通过将多个分类器的结果进行集成来提高分类器的性能，例如Bagging、Boosting、Stacking等方法。
