Что делал при сильной дисбалансе классов

При сильном дисбалансе классов использовал комбинацию методов:

1. Взвешивание классов в функции потерь (class_weight='balanced' в sklearn)

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

2. Методы семплирования:

• Undersampling (RandomUnderSampler)
• Oversampling (SMOTE)

from imblearn.over_sampling import SMOTE
sm = SMOTE()
X_res, y_res = sm.fit_resample(X, y)

3. Ансамбли типа BalancedRandomForestClassifier

4. Метрики вместо accuracy: F1, ROC-AUC, Precision-Recall

5. Генерацию синтетических данных (GAN, VAE для minority class)

Важно тестировать на реальном распределении, а не только на сбалансированных данных. Часто пробовал комбинировать подходы, например SMOTE + ансамбли.