在地学智能化应用中，很多分类任务都会遇到同一个现实问题：
-
泥岩样本特别多，砂岩或优质储层样本很少；
-
“非储层”占绝大多数，“储层”只占一小部分；
-
甚至某些关键岩性（如胶结强的白云岩、特定相带的细粒岩）样本数量极少。
这会导致一个典型现象：
模型 Accuracy 看起来不低，但关键类别（少数类）几乎识别不出来。
或者你把 Recall 拉高了，误报（Precision 下降）又变得很严重。
这一篇文章专门讲清楚：
-
什么是类别不平衡，为什么地学里普遍存在；
-
它会对模型和指标造成什么影响；
-
常见的处理方法有哪些；
-
在岩性识别、甜点评价中如何做更“可落地”的选择。
一、什么是类别不平衡？地学里为什么特别常见？
1. 定义
类别不平衡（Class Imbalance） 指的是：不同类别的样本数量差异很大。
例如（简化）：
-
泥岩：80%
-
砂岩：15%
-
灰岩：4%
-
优质储层：1%
2. 地学里常见原因
-
地质客观事实：某类岩性/相带本来就占比小。
-
采样偏差：核心、测试、化验往往集中在目标层段，其他层段标签缺失。
-
解释标准偏差：解释人员更倾向于给出“大类”，导致小类更稀少。
-
数据整合问题：多井合并后，某些井特定岩性多，整体分布被拉偏。
二、类别不平衡会导致什么问题？（你会看到的“假象”）
1) Accuracy 会被“多数类”绑架
如果“泥岩”占 90%，模型永远预测泥岩，也能获得 90% 的 Accuracy。
但这在岩性识别或甜点评价中毫无价值。
所以：类别不平衡时，Accuracy 不是核心指标。
2) 少数类 Recall 很低：关键段识别失败
在甜点评价或优质储层识别中，你往往更关心：
真正的好段有多少能被抓出来？（Recall）
不平衡数据下，模型为了“整体准确”，会倾向于预测多数类，从而漏掉少数类，Recall 下降。
3) Precision 与 Recall 常常“互相拉扯”
特别在二分类任务（优质储层 vs 非优质）中：
-
想提高 Recall（少漏判） → 模型会更“激进”，误报增加 → Precision 下降
-
想提高 Precision（少误报） → 模型会更“保守”，漏判增加 → Recall 下降
这不是模型“坏”，而是你需要明确业务侧：
漏判和误判哪一个代价更大。
三、正确的评估方式：别只看一个数字
类别不平衡情况下，推荐你优先看：
1) 每类 Recall / Precision
尤其关注你最关心的类别（优质储层、关键岩性）。
2) Macro-F1
多分类任务里，Macro-F1 对少数类更敏感，是比 Accuracy 更稳健的综合指标。
3) PR 曲线与 PR-AUC（强烈推荐）
在“少数类很少”的场景下，PR 曲线（Precision-Recall curve）通常比 ROC 曲线更有意义。
原因很简单：ROC 在极不平衡时可能看起来“很好看”，但实际少数类效果并不好。
四、处理类别不平衡的四大策略（按优先级推荐）
下面这四类方法，从“最稳健、最常用”到“更激进”，你可以按实际情况选择。
策略 A：改指标与改验证方式（先做这个）
在动数据之前，先确保你评估方式正确：
-
按井分组验证（GroupKFold / 留井法）
避免同井信息泄露导致指标虚高。 -
用 Macro-F1、每类 Recall、PR-AUC
把关注点从“整体正确”转到“关键类能否识别”。
很多时候，你会发现不是模型不行，而是你之前看的指标不对。
策略 B：加权训练（Class Weight）——最推荐的“第一步干预”
核心思想：
让模型在训练时更加重视少数类，把“漏判少数类”的代价提高。
常见做法：
-
对逻辑回归、SVM、神经网络等：设置
class_weight='balanced'或自定义权重 -
对树模型（RF、XGBoost、LightGBM）：也有对应权重参数（例如样本权重、正负样本权重比例）
优点：
-
不改变原始数据分布（更稳健）
-
实现成本低
-
对多数场景有效
注意：
-
权重过高可能导致误报增加，需要结合 Precision/Recall 平衡。
策略 C：重采样（Resampling）：过采样与欠采样
核心思想：通过改变训练样本数量分布，让模型“看到更多少数类”。
1) 欠采样（Undersampling）
减少多数类样本，使比例更平衡。
优点：
-
训练更快
-
有时能显著提升少数类 Recall
缺点：
-
丢失大量多数类信息，可能导致整体泛化变差
-
地学数据异质性强，删掉样本可能删掉关键变化
适用：多数类样本极多、且冗余明显的情况。
2) 过采样（Oversampling）
增加少数类样本数量。
常见方法：
-
简单复制少数类（Random Oversampling）
-
SMOTE：用插值方式生成“合成样本”
优点：
-
保留多数类信息
-
能提升少数类识别能力
缺点：
-
简单复制容易过拟合
-
SMOTE 在地学数据上需谨慎：合成样本可能不符合地质约束（尤其是岩性边界、层位约束明显时）
地学建议：
-
优先尝试“轻量过采样 + 强约束验证（按井）”
-
不要一上来就大比例 SMOTE，容易制造虚假样本结构。
策略 D：改决策阈值（Threshold Tuning）——甜点评价非常实用
很多分类模型的输出是概率：P(优质储层)。
默认用 0.5 作为阈值，但在不平衡数据里，0.5 往往不合理。
你可以按业务目标调阈值：
-
想提高 Recall（少漏判）：阈值从 0.5 降到 0.3
-
想提高 Precision（少误报）：阈值从 0.5 提到 0.7
这一步非常适合甜点评价：
因为你可以在不同阶段使用不同阈值策略：
-
初筛阶段：Recall 优先
-
精选阶段：Precision 优先
五、岩性识别与甜点评价：两类典型业务的“建议打法”
场景 1：岩性分类（多分类）
目标：别让小类“全灭”，同时整体稳定。
推荐组合：
-
指标：Macro-F1 + 每类 Recall + 混淆矩阵
-
验证：按井分组交叉验证（GroupKFold）
-
方法：class_weight（优先） + 适度过采样（谨慎）
-
结果检查：岩性柱状图是否碎片化（必要时引入平滑/层段约束）
场景 2：甜点评价 / 优质段识别（二分类）
目标：明确漏判与误判成本，并用阈值控制策略。
推荐组合：
-
指标：Recall、Precision、F1、PR-AUC
-
验证：留井法（或按区块留出）
-
方法：class_weight + 阈值调优（核心）
-
输出：给出“不同阈值下的候选段数量与可信度”，便于工程决策
六、结语：不平衡不是“坏数据”，而是地学真实世界的常态
类别不平衡几乎是地学建模的常态，不需要恐慌。关键是：
-
用对指标（别被 Accuracy 误导）
-
用对验证（按井分组防止虚高）
-
先用权重，再考虑重采样
-
用阈值把模型输出转化为可落地的决策策略
文章评论