问题：真实世界的数据分布不一定均衡，那为什么大多数ML/DL要做数据均衡？
答案：根据场景来决定是否要数据均衡
场景1: 癌症二分类
真实数据分布是：绝大多数人没有癌症，极少数人有癌症；如果不做数据均衡，那么一个ML分类器会倾向于把所有样本判断成没有癌症，即全是漏报，没有误报
在辅助医生诊断时，显然是不行的：可以有误报，尽量没有漏报；
所以在训练模型时要做数据均衡。
场景2: 英文字母识别
真实数据分布不是均匀分布，高频字母例如e，低频字母例如v；
如果做数据均衡，那么训练后的分类器对于每个字母分类错误的概率都是一样的；
如果不做数据均衡，那么训练后的分类器对于每个字母分类错误的概率不一样，错误概率的分布应该是接近字母的分布；
所以要根据场景做选择，例如做文本识别，高频字母识别准确率比低频字母准确率更重要，所以不能做数据均衡。
总结
分类错误概率的分布和训练数据的分布具有一致性，所以要不要做数据均衡，要由场景来决定。
数据均衡方法
如果要做数据均衡，可以从以下几个方面考虑：
- 数据上采样/下采样
- NN：Focal Loss
- NN：二分类时，可以调整分类阈值
- 数据合成：SMOTE算法，利用小众样本在特征空间的相似性来合成新样本