本报告围绕“数据集不平衡程度评估”展开，聚焦于如何科学量化多类数据中的结构性不平衡问题，突破传统以样本比例为核心的评估局限。报告系统回顾了不平衡评估的发展脉络，分析了现有方法在面对类别重叠、边界复杂等结构特征时的适应能力，并重点介绍了一种基于最小生成树的新型度量方法——MFII，能够联合考虑簇分布与类别混杂程度。通过在多种真实与合成数据集上的实证分析，验证了该方法在稳定性与解释性上的优势。报告最后，讨论了当前方法对高维复杂数据的适配性限制，并提出了未来在多视角建模、深度表示结合等方向的研究展望。
数据集不平衡评估-马西洋原创文章，作者：BFS，如若转载，请注明出处：https://www.isclab.org.cn/2025/07/28/%e6%95%b0%e6%8d%ae%e9%9b%86%e4%b8%8d%e5%b9%b3%e8%a1%a1%e8%af%84%e4%bc%b0/