选择最佳的平衡系数确定平衡是否值得或是否对建模有利，这通常取决于项目的业务目标。首先检查模型的 ，查看模型是否符合业务目标。在 中列出的情形中，融合矩阵可能表明，基于一个不平衡数据集的模型能够正确识别几乎所有非欺诈性保险索赔，但无法识别所有（或仅能识别极少数）欺诈性索赔。换言之，该模型拥有：
- 大量的错误否定
- 很高的 II 型错误比率
- 接近 1.0 的特异性
如果目标是避免调查有效的索赔，这可能是不错的模型。但是如果目标是检测和阻止欺诈（更常属于这种情况），则此模型无法满足目标，而且平衡数据可能是一种改进模型的方式。
选择使用 boosting、reduction 还是二者的组合，具体情况取决于数据集的相对比例和业务目标。找到合适的平衡水平的最佳方式是，构建包含不同方法和系数的模型，并评估它们来确定哪些模型能最有效地满足业务目标。
有一些经验规则和指导原则：
- 当平衡一个数据集时，不 需要实现均匀分布。
- 避免对更常见类别过度采样，因为这可能导致丢弃不常见类别中的许多数据，一些重要的关联或模式需要从这些类别的整个数据集中采样。
- 避免过多地复制单条记录，因为这可能导致随机模式和很少出现的模式被建模算法识别为有意义的模式。
在保险欺诈示例中，您不想通过复制欺诈性索赔来实现均匀分布。这么做可能让建模算法将来自每个原始欺诈性索赔的属性组合识别为一种欺诈模式。您可能也不希望通过 reduce 非欺诈性索赔来实现均匀分布。这样会丢弃很大一部分相关数据，这些数据中的模式表明了非欺诈性索赔的特征，会使得识别这些索赔变得更难。解决方案介于这两个极端（复制欺诈性索赔和减少非欺诈性索赔）之间，建立一种合理且使模型能满足业务目标的平衡。
对过度平衡数据集的最重要防御措施是，确保数据集划分为训练分区和测试分区（可能还有验证分区），其中测试分区和验证分区是不平衡的，而且保留了原始比例。然后基于测试分区或验证分区来评估模型性能，确定模型的真实有效性。
示例 6：信用卡优惠信息。
在示例 6 中，一家信用卡公司希望在客户联系它时，向现有持卡人提供不同的优惠信息和开展营销活动。一条优惠信息是，持卡人为同一个帐户注册一张补充信用卡，以提供给配偶或其他家庭成员使用。
在拨入呼叫中心的 5,904 通电话中，此优惠信息仅提供给了不到 2,000 位持卡人，而且该优惠信息的接受率为 13.8%。
首先，基于数据集的真实、不平衡的分布来训练模型。
用于训练信用卡优惠信息模型的基本流
在上图中，流程为信用卡 > 再分类 > 提供的优惠信息 > 分区 > 平衡 > 类型，然后分支到训练、优惠信息响应或经历额外的测试和分析来获得融合矩阵的优惠信息响应。
该模型对 87.5% 的响应者进行了正确分类，但融合矩阵预测，94.9% 的响应者会拒绝该优惠信息。该模型还识别出只有 23.9% 的持卡人接受了该优惠信息。这带来了 76.1% 的错误否定率。
在不平衡的数据集上训练的模型的融合矩阵
实际响应
接受 拒绝 总计 预计响应接受 23.9% 1.9% 5.1% 拒绝 76.1% 98.1% 94.9% 总计 100.0% 100.0% 100.0% 然后训练一个模型，其中使用提升实现了被接受和拒绝的优惠信息的均匀分布。这通过添加一个平衡节点来完成，在该节点中，对接受优惠信息的记录使用了系数 6.2409。该数据集包含 274 个接受优惠信息的响应者，1,710 个拒绝优惠信息的响应者。在两个小组之间建立均匀分布的系数，可通过将较大的小组中的响应者数量 (1,710) 除以较小的小组中的响应者数量 (274) 来得到该系数。这会得到系数 1,710/274=6.2409。
结果模型对训练分区中的 95.1% 的响应进行了正确分类，但仅正确分类了测试分区中 81.4% 的响应，这表明该模型被过度训练；boosting 级别太高了，需要调节。
一个在具有均匀分布的平衡数据集上训练的模型的融合矩阵
实际响应
接受 拒绝 总计 预计响应接受 56.3% 14.4% 20.4% 拒绝 43.7% 85.6% 79.6% 总计 100.0% 100.0% 100.0% 另一方面，您设法将错误否定率降低到了 43.7%，这与原始模型相比是一项重大改进。 |
