1.假设是训练集样本分布应该与真实数据集合分布一致，正反例比例m+/m-也应一致；在二分类问题中，模型输出预测为正例的概率与预测为负例概率， 判别指标为y/(1-y)
那么y/(1-y)>m+/m-时可以判定为正；
对于类别不平衡问题，处理方法
1.通过采样解决#以正例少负例样本为例
欠采样#undersampling
把负例去掉一部分#EasyEnsemble#集成学习#将反倒划分为若干个集合供不同学习器使用，这样对每个学习器来看都进行了欠采样，但在全局来看却不会丢失重要信息.
过采样#oversampling
多采集正例#SMOTE#通过对训练集的正例进行插值
2.通过改变判别阈值解决
构造新的判别指标：
y1/(1-y1) = y/(1-y)/m+/m-
#将原本模型输出指标按照样本数据比例进行放缩
*多分类
OvO,OvM,MvM