Сталкивался ли с дисбалансом классов на работе

Да, сталкивался. Дисбаланс классов — частая проблема, особенно в задачах классификации (например, fraud detection, churn prediction). Основные подходы для борьбы с ним:

1. Методы ресэмплинга:
   • Oversampling (SMOTE)
   • Undersampling

2. Алгоритмические методы:
   • Веса классов в loss-функции
   • Использование метрик типа F1, ROC-AUC вместо accuracy

Пример с весами в sklearn:

from sklearn.linear_model import LogisticRegression
model = LogisticRegression(class_weight='balanced')

3. Ансамбли (например, BalancedRandomForest)

Важно: выбор метода зависит от данных и задачи. Иногда дисбаланс — естественное свойство данных, и его "исправление" может ухудшить качество. Всегда проверяйте метрики на тестовом наборе!