“AutoML通过实施几种技术来处理不平衡数据集，旨在提高模型性能并确保可靠的预测。不平衡数据集是指某一类样本显著多于另一类，这可能导致模型在少数类上的表现不佳。AutoML系统通常包含一些策略，如重采样、调整类权重，以及使用更适合处理此类数据不一致性的专门算法。
一种常见的方法是重采样，包括对少数类进行上采样和对多数类进行下采样。上采样涉及复制少数类的样本实例，以平衡数据集，从而为模型提供更多的学习示例。相反，下采样则减少多数类的实例，使模型能够更专注于学习少数类。AutoML框架通常能够自动化这些重采样过程，并帮助确定特定问题的合适平衡。有些系统还采用合成数据生成技术，如SMOTE（合成少数类过采样技术），根据特征空间为少数类创建人工数据点。
另一种AutoML采用的有效策略是在模型训练期间调整类权重。通过为少数类分配更高的权重而为多数类分配较低的权重，模型可以被激励在学习过程中更加关注少数类。这意味着错误分类一个少数类实例将受到比错误分类一个多数类实例更大的惩罚，从而可能提高分类器的性能。一些AutoML工具还提供内置方法，这些方法应用专门为不平衡数据集设计的集成技术，如平衡随机森林，这可以结合采样和稳健模型训练方法的优点，从而提高少数类的整体预测准确性。”