在数据挖掘任务里，当类别样本数量差异悬殊时，通常采用哪些策略来缓解数据不平衡带来的影响？请列举并说明几种主流处理手段。

回答思路

1. 【回答框架 1】数据不平衡指分类任务中各类别样本数量差异大，导致模型偏向多数类、少数类召回率低。核心思路是调整数据分布、调整算法或调整评价指标。
2. 【回答框架 2】数据层面：欠采样随机删除多数类样本，易丢失信息；过采样如SMOTE在少数类样本间插值生成新样本，但可能引入噪声；可结合两者或使用ENN等清洗方法。
3. 【回答框架 3】算法层面：使用代价敏感学习，为少数类误分类赋予更高惩罚权重；或采用集成方法如EasyEnsemble、BalanceCascade，通过多次采样训练多个分类器。
4. 【回答框架 4】评价指标：准确率在失衡下失真，应关注精确率、召回率、F1值、AUC或PR曲线，必要时使用分层交叉验证保证少数类在验证集中有代表。
5. 【回答框架 5】实际中需结合业务目标权衡：若少数类更重要（如欺诈检测），优先提升召回率；同时注意过采样可能过拟合，欠采样可能欠拟合，需验证集评估。
6. 【关键点 1】数据不平衡的根源是类别分布偏差，模型偏向多数类。
7. 【关键点 2】常用方法分数据层（重采样）、算法层（代价敏感、集成）和评价层（F1、AUC）。
8. 【关键点 3】SMOTE通过插值生成少数类样本，但需注意噪声和过拟合。
9. 【关键点 4】代价敏感学习通过调整误分类权重直接优化少数类。
10. 【关键点 5】评价指标应使用F1、AUC等，而非仅准确率。
11. 【易错点 1】过采样可能导致模型过拟合少数类噪声，需结合交叉验证。
12. 【易错点 2】欠采样可能丢失多数类重要信息，导致欠拟合。
13. 【易错点 3】仅调整阈值而不改变训练分布，效果有限，需结合其他方法。