样本不均衡问题是指在机器学习分类任务中，不同类型的样本占比差距悬殊。
比如训练数据有100个样本，其中只有5个正样本，其余均为负样本，这样正样本：负样本=5%：95%，训练数据中负样本过多，会导致模型无法充分学习到正样本的信息，这时候模型的正确率往往较高，但特异性却很低，即模型识别正样本的能力很差。这样的模型是无法投入实际项目中的，我们需要解决不均衡问题带来的影响。
解决样本不均衡，采用的方法是重采样。根据采样的方法，分为欠采样、过采样和组合采样。
在R语言中， ROSE 包用于处理样本不均衡问题。
安装包
加载示范数据，查看列联表。可以看到训练数据 hacide.train 出现了样本不均衡，正样本1只有20个，负样本0有980个。
欠采样会缩小训练数据。训练数据虽然正负样本均衡了，但由于原始的正样本很少，导致处理后总样本数减少很多。这个方法适用于训练数据很大，且正样本也较大的情况，可以用欠采样来减少训练数据规模，提高训练速度。
过采样会增大训练数据。该方法适用于训练数据中正样本数量较少的情况。
组合采样会同时增加正样本和减少负样本。参数 N 表示处理后样本总数，一般设置为训练数据样本数。
不均衡样本对模型的训练结果会产生较大偏差，以实际分类问题为例，对比一下处理与不处理均衡样本的结果。
从预测的结果来看，均衡处理与不均衡处理的模型准确率都很高，都超过了98%，貌似模型都很好。但均衡处理后模型的特异性达到了73.68%，未采用均衡处理的模型只有36.84%，显然 均衡处理能提高模型的特异性 。
处理样本不均衡问题是做分类问题不可或缺的的一步，针对训练数据的情况，可以采用不同的均衡处理方法。均衡处理的目的是尽可能多的且高效的利用训练数据里的信息，不至于后续训练出的模型学习的不够充分，出现较大偏差。均衡处理对于既要求准确率高，又要求特异性高的模型来说尤为重要。
如下：
c(H+)=1.33*10^-3 mol/L，pH=2.88。
Ka=c(H+)*c(CH3COO-)/c(CH3COOH)。
c(CH3COOH)=0.1mol/L。
c(H+)=√【Ka*c(CH3COOH)】=√(1.76*10^-5*0.1)=1.33*10^-3 mol/L。
pH=-lgc(H+)=2.88。
介绍
使用鲍林规则可以半定量地判断含氧酸的pKa，其理论是：多元含氧酸逐级电离常数之比约为10-5，即pKa差值为5；含氧酸的pKa与非羟基氧数量(N)有关，由此可判断，无非羟基氧的酸为弱酸，有一个的为中强酸，两个或三个的为强酸。
含氧酸的中心原子R对其酸性有着重要影响，R的半径越小，电负性越大，氧化数越高，则R吸引电子的能力越强，降低了－OH上的电子云密度，使其容易电离。这个规则称为R－O－H规则 。
