人们经常谈论数据不平衡，但总的来说，我认为您无需担心，除非您的数据确实不平衡（例如 <1% 的标签）。50/200 没问题。如果您在该数据集上构建逻辑回归模型，该模型将偏向多数类 - 但如果您没有给我有关要分类的输入的信息，则先验概率是新输入无论如何都是多数类的成员.

您希望能够回答的问题是您是否可以很好地区分班级 - 因此，如果您确实有少数班级，请不要使用“准确性”作为衡量标准。改用 ROC 曲线下的面积（通常称为 AUC）。

如果您的数据真的非常不平衡，您可以对少数类进行过度采样，或者使用称为“SMOTE”的东西来表示“Synthetic Minority Over-Sampling Technique”，这是同一事物的更高级版本。一些算法还允许您对少数类设置更高的权重，这实质上通过使少数类错误成本更高来激励模型关注少数类。

为了学会区分很多类，我认为（a）你需要有大量的例子来学习，（b）一个表达能力足以捕捉类差异的模型（比如深度神经网络，或增强的决策树） , 和 (c) 使用 softmax 输出。如果这些仍然不起作用，您可以尝试像 K-nearest-neighbors 这样的“无模型”方法，它将每个输入与最相似的标记数据进行匹配。但是，要使 kNN 起作用，您需要有一个非常合理的距离度量。