在数据分析实践中，当面临数据类别不平衡的情形时，通常采用哪些策略或方法来应对？请举例说明。

回答思路

1. 【回答框架 1】数据不平衡指分类问题中不同类别样本数量差异悬殊，导致模型偏向多数类，少数类召回率低。常用处理方法分为数据层面和算法层面。
2. 【回答框架 2】数据层面方法包括：欠采样（随机删除多数类样本）、过采样（如SMOTE合成少数类样本）、以及结合两者的混合采样。SMOTE通过在少数类样本间插值生成新样本，缓解过拟合风险。
3. 【回答框架 3】算法层面方法包括：使用代价敏感学习，为少数类分配更高误分类代价；调整类别权重；或选用对不平衡鲁棒的算法，如决策树、随机森林等，并关注评估指标。
4. 【回答框架 4】评估指标应使用精确率、召回率、F1-score、AUC等，而非单纯准确率，因为准确率在不平衡数据下可能具有误导性。
5. 【回答框架 5】实际应用中需结合业务场景，例如在欺诈检测中更关注少数类（欺诈样本）的召回率，并注意过采样可能引入噪声，需交叉验证验证效果。
6. 【关键点 1】数据不平衡的根源在于类别分布差异，常用处理包括过采样、欠采样和代价敏感学习。
7. 【关键点 2】SMOTE是一种典型的过采样方法，通过插值生成少数类样本。
8. 【关键点 3】评估时优先使用F1-score、AUC等指标，避免准确率误导。
9. 【关键点 4】实际场景中要权衡召回率与精确率，并考虑数据合成带来的噪声风险。
10. 【易错点 1】简单欠采样可能丢失多数类的重要信息。
11. 【易错点 2】过采样可能引入噪声或过拟合，且SMOTE可能生成不合理的样本。
12. 【易错点 3】仅使用准确率评估不平衡模型会掩盖性能问题。