医学模型生产厂家就现实情况而言，健康的人远比生病的人多，这也反映在医疗数据中，健康和疾病分类的样本数量并不平均。你会发现，在医疗数据集和信用卡欺诈数据集中，正样本的数量是负样本的100倍。

所以，医学模型生产厂家训练的结果常常被误认为表现良好，但事实并非如此。这发生在使用accuracy_score精确度这样的简单度量时。由于标签存在严重的偏差，所有仅输出普通标签的神经网络，其精度可略超过90%，在此情况下，只输出普通标签的神经网络。

答：医学模型生产厂家可以定义更多有用的指标，比如F1的测量方法或者“精确/回收”。精确性被定义为"真实样本的数量/(真实样本数量+虚假样本数目)"，这在大量假正例的情况下是一种良好的度量；另一方面，召回率被定义为"真实样本数量/(真实样本数量+虚假样本数目)数量"，这是一个好的衡量。大部分的医学模型生产厂家都是如此，但是我们也经常需要考虑假正例数和假反例数，这就是F1度量的功能，它在精确度(Precision)和回收率(Recall)之间达到平衡，即公式2*(Precision*Recall)/(Precision+Recall)/(Precision+Recall)。

另一种处理类别失衡的常用方法是"重抽样"，也就是，从大多数类别(样本太多的那一类)中删除样本(称为欠采样)，或者在少数类别中增加样本(称为过度抽样)，以达到两类的平衡。尽管复杂的重采样技术能够很好地解决这些问题，但也存在着信息丢失和过拟合等不足。