超越不平衡率：数据特征作为过采样方法选择的关键调节因子
机器学习
2026-04-07 v1
摘要
主导的不平衡率阈值范式假设不平衡率（IR）与过采样有效性之间存在正相关，但这一假设尚未通过受控实验得到实证验证。我们进行了12项受控实验（N > 100个数据集变体），通过高斯混合数据集的算法生成，在保持数据特征（类可分性、聚类结构）恒定的同时系统性地操控 IR。另外两项验证实验考察了天花板效应和指标依赖性。所有方法均在 OpenML 的17个真实数据集上进行了评估。在控制混淆变量后，IR 与过采样收益表现出弱到中等程度的负相关。类可分性成为一个显著更强的调节因子，解释的方法有效性的方差远大于 IR 单独解释的方差。我们提出了一个'情境至关重要'（Context Matters）框架，整合 IR、类可分性和聚类结构，为从业者提供基于证据的选择标准。
引用
@article{arxiv.2604.04541,
title = {Beyond Imbalance Ratio: Data Characteristics as Critical Moderators of Oversampling Method Selection},
author = {Yuwen Jiang and Songyun Ye},
journal= {arXiv preprint arXiv:2604.04541},
year = {2026}
}