类别不平衡下模型会偏向多数类，常用手段分三层：数据层、算法层、评估层。数据层：对少数类过采样（随机复制或 SMOTE 插值生成合成样本）、对多数类欠采样、两者结合。算法层：类别加权损失（按频率倒数加权）、Focal Loss（降低易分类样本权重，聚焦难例）、调整决策阈值。评估层：弃用准确率，改用 F1、PR-AUC、混淆矩阵。

易错点：SMOTE 在高维稀疏数据（如文本）上可能产生无意义样本；过采样必须在训练折内部做，否则验证集泄漏导致指标虚高；欠采样可能丢掉多数类的重要信息。

追问方向：极端不平衡（如万分之一的欺诈交易）为什么常用异常检测或 PU learning 框架而非普通分类？阈值移动与代价敏感学习的等价关系是什么？实践建议：先加权重和调阈值，成本最低收益往往最大。