醫學模型生產廠家就現實情況而言，健康的人遠比生病的人多，這也反映在醫療數據中，健康和疾病分類的樣本數量并不平均。你會發現，在醫療數據集和信用卡欺詐數據集中，正樣本的數量是負樣本的100倍。

所以，醫學模型生產廠家訓練的結果常常被誤認為表現良好，但事實并非如此。這發生在使用accuracy_score精確度這樣的簡單度量時。由于標簽存在嚴重的偏差，所有僅輸出普通標簽的神經網絡，其精度可略超過90%，在此情況下，只輸出普通標簽的神經網絡。

答：醫學模型生產廠家可以定義更多有用的指標，比如F1的測量方法或者“精確/回收”。精確性被定義為"真實樣本的數量/(真實樣本數量+虛假樣本數目)"，這在大量假正例的情況下是一種良好的度量；另一方面，召回率被定義為"真實樣本數量/(真實樣本數量+虛假樣本數目)數量"，這是一個好的衡量。大部分的醫學模型生產廠家都是如此，但是我們也經常需要考慮假正例數和假反例數，這就是F1度量的功能，它在精確度(Precision)和回收率(Recall)之間達到平衡，即公式2*(Precision*Recall)/(Precision+Recall)/(Precision+Recall)。

另一種處理類別失衡的常用方法是"重抽樣"，也就是，從大多數類別(樣本太多的那一類)中刪除樣本(稱為欠采樣)，或者在少數類別中增加樣本(稱為過度抽樣)，以達到兩類的平衡。盡管復雜的重采樣技術能夠很好地解決這些問題，但也存在著信息丟失和過擬合等不足。