在机器学习领域，处理类别不平衡问题是一个重要而复杂的任务，不平衡的数据集是指在分类问题中，各类别的样本数量差异显著，这可能导致模型对多数类别过拟合，而忽视少数类别，进而影响整体的预测性能，为了解决这一问题，可以采用多种技术，其中过采样（Oversampling）与加权采样（Weighted Sampling）是两种常用的策略。

过采样技术通过增加数据集中少数类别的样本数量，以尝试平衡不同类别间的样本分布，随机过采样是最直接的方法，它涉及简单地复制少数类别的样本，这种复制的方法可能引致模型过拟合，因为没有引入新的信息，为了克服这一缺点，更先进的过采样方法如SMOTE（合成少数过采样技术）和ADASYN（自适应合成采样方法）被提出，这些方法不仅复制样本，同时通过插入随机噪声或基于特定规则生成新的合成样本，增强数据集的多样性和泛化能力。

加权采样是另一种处理不平衡问题的策略，它根据每个样本的重要度来分配权重，而不实际改变数据集中的样本数量，在Pytorch库中，WeightedRandomSampler就是一种允许用户根据权重进行随机采样的采样器，通过给予少数类别样本更高的权重，可以在训练过程中增加这些样本被选中的概率，从而在不直接修改数据集的情况下实现类似过采样的效果。

过采样与加权采样各有优劣，过采样通过增加少数类别样本的数量，直接平衡了数据集，但其新增的样本可能缺乏多样性，导致模型学到的信息有限，加权采样虽然保持了样本的原始分布，但需要仔细调整权重以避免对少数类别的过度关注。

合理选择和应用这些技术，可以显著提升模型在不平衡数据集上的性能，在处理高度偏斜的数据时，可能需要组合使用过采样和加权采样，以充分利用两者的优势，还应考虑使用其他相关技术，如通过正负样本的惩罚权重调整，进一步细化模型的学习过程。

文章末尾的FAQs部分提供如下：

问：过采样是否总是提高模型性能？

答：不一定，虽然过采样通过增加少数类别的样本来尝试解决类别不平衡问题，但如果处理不当，如简单复制样本而无增加数据多样性，可能导致模型过拟合，反而损害性能。

问：如何确定何时使用过采样或加权采样？

答：选择过采样还是加权采样依赖于具体的数据集和任务需求，如果数据集较小且少数类别样本极为缺乏，可能需要通过过采样增加样本量，而对于较大的数据集，加权采样可能更为合适，因为它允许保留所有原始数据的同时调整样本的影响度，结合这两种方法及调整模型的其他参数可以获得最佳效果。

归纳而言，过采样和加权采样是解决机器学习中类别不平衡问题的有效工具，正确应用这些技术需要考虑数据的具体特点和模型的需求，并可能需要与其他方法如欠采样等结合使用，以达到最优的模型性能。