上一篇在探索 HAM10000 時，我們發現了一個很明顯的問題：7 種病灶類別的圖片數量並不平均，其中有些類別擁有數千張圖片，有些類別卻只有幾百張。這也代表模型在學習時，「看到」不同類別的機會並不相同。
既然我們已經知道這個問題存在，今天就不再只是觀察資料，而是進一步來看看：Class Imbalance 到底會怎麼影響模型？又有哪些方法可以處理？

一、先看看 HAM10000 到底有多不平衡

上一篇已經畫出了各類別的分布圖，最多的 nv 有 6,705 張，而最少的 df 只有 115 張，兩者相差大約 58 倍，所以問題已經不只是「每類數量不太一樣」，而是模型實際看到 nv 的機會遠高於 df，它自然有更多機會學習 nv 的特徵，而少數類別能提供模型學習的範例就少得多

二、最直接的方法：把多的資料刪掉？

既然 nv 太多，一個很直覺的想法就是：「那我把 nv 刪到跟其他類別差不多不就好了？」，這種方法稱為 Undersampling（欠採樣）

例如原本nv有6705張、df有115張，我們可以從 nv 中只挑一部分圖片進行訓練，好處是各類別之間的差距可以縮小，但缺點也很明顯，我們明明有 6,705 張 nv，卻主動把大量真實資料丟掉了

這些被刪掉的圖片可能包含不同角度、顏色或外觀特徵，因此在資料本來就不算非常充足的情況下，不一定希望直接捨棄大量資料

三、那把少的資料複製多一點呢？

另一個方向剛好相反，既然少數類別太少，那就增加它們在訓練時出現的機會，這稱為 Oversampling（過採樣）

複製相同類別的圖片，這樣模型在訓練時就能更常看到 df，但單純一直複製相同圖片也會造成問題，因為重複複製10次同一張圖片並不代表我們真的取得了 10 張不同的新圖片，模型反覆看到完全相同的資料，反而可能更容易記住這些圖片，而不是學到可以泛化的特徵

四、可以讓少數類別產生更多「變化」嗎？

除了直接複製圖片之外，我們還可以對原始圖片進行一些合理的變化，例如：旋轉、翻轉、平移、縮放

這就是之後會介紹的 Data Augmentation（資料增強），它並不是憑空創造新的病人或新的病灶，但可以增加訓練時影像呈現方式的變化，Data Augmentation 在影像模型中非常常見，之後我們會再實際動手做

五、不改圖片數量，也可以讓模型更重視少數類別

除了前面描述的兩種方式外，還有另外一種思路是讓圖片數量保持不變，但模型猜錯少數類別時，讓它付出更大的代價，這就是 Class Weight（類別權重） 的概念

假設nv資料很多、df資料很少，我們可以在訓練時給 df 較高的權重，如此一來，模型如果把少數類別判斷錯誤，計算 Loss 時會受到較大的影響

我們可以簡單理解成：

• 資料多的類別，權重較低
• 資料少的類別，權重較高

這樣不需要直接刪除 nv，也不需要大量複製 df，而是從模型訓練時的「錯誤成本」進行調整

六、所以哪一種方法最好？

目前我們介紹了三個方向：

另外還有前面提到的 Data Augmentation，可以增加圖片在訓練時的變化，但這裡沒有一個「所有 Dataset 都一定最好」的方法，我們之後真正建立 HAM10000 模型時，可以透過實驗比較不同做法，而不是現在直接認定某一種方法最好

七、小結

上一篇我們發現了 Class Imbalance，今天則進一步了解可以從哪些方向處理這個問題，不過在把圖片交給模型之前，我們還需要決定一件非常重要的事情「哪些圖片給模型學？哪些圖片不能讓模型提前看到？」，而且 HAM10000 中，同一個病灶還可能有不只一張照片，如果資料切分錯誤，就可能發生模型「考試前已經看過類似考題」的情況