我正在尝试使用 sklearn 和 Python 对一些文本数据（推文）运行文本分类模型。我已经手工编码了近 1,500 个案例，但是数据不平衡。
案例按主题进行编码。其中一个代码本质上是“无主题”，并且是大多数情况。
准确来说，数据有：
964 条无主题推文
第183章 主题A
第171章 主题B
120 主题C
110 主题 D
98主题E
不幸的是，我的模型（SVM 和 Logistic 回归）似乎始终对无主题产生误报，这表明数据不平衡是问题所在。
我研究了不平衡数据建议，但未能得到满意的答案。
有没有好的方法来处理多分类问题中的数据不平衡？当不平衡主要来自“其他”/空类别时怎么办？
我看到人们建议对数据进行过度采样。这不是很可能会人为地过度拟合数据并夸大准确性，就像您试图从相同的案例中预测案例一样？
我看到有人建议 SMOTE？ smote 可以用于文本分类吗？
对于如何进行，还有其他一般建议吗？
您可以使用权重 => 许多分类器，包括 scikit-learn 中的 SVM 和逻辑回归，允许您为不同的类别分配不同的权重。
您可以选择合适的模型 => 例如，尽管数据不平衡，决策树和随机森林也可以很好地工作。
您可以使用评估指标 => 例如精度、召回率、F1 分数、ROC
首先尝试研究它们，如果你遇到困难，我会帮助你实施。