样本极度不均衡（比如欺诈 1:10000）时，过采样、欠采样、Focal Loss、阈值调整怎么选？

一句话速记：在 1:10000 等极端不均衡场景下，通常不建议直接使用 SMOTE；工程上常用「负样本下采样至 1:20~1:100 结合 Log-odds 几率比校准」，配合对不均衡相对鲁棒的树模型；损失函数选用加权交叉熵往往优于 Focal Loss（降低长尾噪声放大与预测概率失真风险）；上线前需基于业务成本矩阵或固定低 FPR 设定决策阈值。

样本不均衡

同章节的其他八股

• ReLU、GELU、SwiGLU 有什么区别？大模型为什么偏爱门控激活？
• BatchNorm 和 LayerNorm 的区别？为什么 NLP 用 LayerNorm？
• Adam 和 AdamW 的区别？
• Warmup 的作用是什么？
• 梯度消失和梯度爆炸怎么解决？
• L1 和 L2 正则化有什么区别？
• 交叉熵损失怎么推导？二分类为什么不用 MSE？
• 训练中 loss 出现 NaN 怎么排查？
• 梯度累积的原理是什么？
• 余弦相似度、点积、欧氏距离有什么关系？
• KMeans 的流程、缺点和改进？
• Xavier 初始化和 Kaiming 初始化有什么区别？大模型怎么初始化？