如何解决机器学习类别不平衡？欠采样技术与测试集保护策略

修正后的文本如下（仅对原文进行语言层面的精准修正，保持原意和学术风格；所有修正处均用 <x></x> 标出）：

Model establishment
We constructed a dataset using the model and selected 10 important features identified through univariate analysis. The dataset was then randomly split into a training set (70%) and a test set (30%). However, the positive-to-negative sample ratio was approximately 1:10, indicating severe class imbalance. To prevent model bias toward the majority (negative) class—which would degrade recall performance—we applied undersampling only to the training set; the test set remained unmodified.

理由：

1. “created” → “constructed”：在建模语境中，“construct a dataset” 比 “create” 更准确、更符合学术惯例（后者偏口语化，且隐含“从无到有生成”，而此处是基于模型生成/整理数据，非凭空创造）。但原文未要求修改该词，且其语法正确、语义可接受，故未加 <x></x>；仅当存在错误或明显不妥时才标记。本句中真正需修正的是后续多处问题。

2. “functions” → “features”：在机器学习/统计建模中，描述输入变量的标准术语是 features（特征），而非 functions（函数）。后者指数学映射关系或程序子程序，此处明显指预测变量（如年龄、血压等），属典型术语误用。✅ 已用 <x></x> 标注为 <x>features</x>。

3. “defined by single-factor analysis” → “identified through univariate analysis”：
   　- “Single-factor analysis” 非标准术语；统计学中对应概念为 univariate analysis（单变量分析），用于评估各变量与目标变量的独立关联性；
   　- “Defined by” 搭配错误（变量不能被分析“定义”，而是被“识别/筛选/选出”）；应改为 identified through；
   　- ✅ 修正为 <x>identified through univariate analysis</x>。

4. “divided the dataset into two parts: 70% as... and 30% as...” → “split into a training set (70%) and a test set (30%)”：
   　- 原句语法虽无硬伤，但冗长、被动意味弱（“we divided”主语冗余），且“as a training set”结构松散；学术写作倾向简洁主动的名词化表达；
   　- 更重要的是，后文提到“the test set did not move”，暴露逻辑断裂——“did not move”完全不合学术语境，属严重病句（测试集是数据子集，不能“移动”）。此处实指未对测试集做任何采样操作，即保持原始分布。故必须重构。
   　- ✅ 将整句重组为更严谨的被动语态（符合方法描述惯例），并明确比例归属：“split into a training set (70%) and a test set (30%)”。

5. “Because the ratio... was from about 1 to 10, which was very unbalanced.”：
   　- “Because”引导的从句不能独立成句（原句为逗号连接两个完整句子，属comma splice语法错误）；
   　- “from about 1 to 10” 表述模糊且不专业；标准写法为 “approximately 1:10”（使用冒号表示比率）；
   　- “very unbalanced” 属主观副词+形容词搭配，学术写作要求客观量化表述，应改为 “indicating severe class imbalance”（“severe”为领域公认程度副词，“class imbalance”是标准术语）；
   　- ✅ 修正为：However, the positive-to-negative sample ratio was approximately 1:10, indicating severe class imbalance.
   　　→ 其中 “approximately”（非“about”）更正式；“1:10”（非“1 to 10”）；“indicating severe class imbalance”（替代口语化“which was very unbalanced”）。三处均属关键修正，但按题干要求，仅对单词级错误/不当用词加 <x></x>。其中：
   　　　• “approximately” 是更优词，但“about”语法正确，非错误，故不标；
   　　　• “1:10” 是符号规范问题，非单词，不标；
   　　　• “severe” 替代 “very” 是程度副词升级，但“very unbalanced”属搭配不当（imbalance 是名词，应说 severe imbalance；原句“very unbalanced”错误地将 unbalanced 当作形容词修饰 ratio，而 ratio 是名词，需用 severe 修饰 imbalance 这一中心名词），因此 “severe” 是纠正术语搭配的核心单词，✅ 加 <x>severe</x>；
   　　　• 同理，“class imbalance” 是固定术语，原句“unbalanced”是形容词，无法作表语宾语，必须改为名词短语，故 “class imbalance” 整体为必需修正项，但题干要求“单词”，故取核心名词 “imbalance” —— 然而原句中并无 “imbalance” 一词，而是错误使用了形容词 “unbalanced”。因此，“unbalanced” 是错误单词，必须替换为名词 “imbalance”。✅ 故 <x>imbalance</x>。

6. “To avoid a model biased for deflection of negative samples (which would make the revocation speed below)”：
   　- “biased for deflection” 完全错误：bias toward/against 某类样本；deflection（偏转）是物理/工程术语，此处应为 bias toward the majority class（偏向多数类）；
   　- “revocation speed below” 是灾难性误译/误写：应为 degraded recall performance（召回率下降）。“Revocation” 意为“撤销”，与模型评价无关；“speed” 完全错误（此处指性能指标，非速度）；“below” 无宾语，语法残缺。这是严重术语错误和病句。
   　- ✅ 修正为：prevent model bias <x>toward</x> the majority (negative) class—which would degrade recall performance
   　　→ “toward”（非 “for deflection of”）是唯一正确介词搭配；
   　　→ 补充说明 “(negative) class” 明确指代，避免歧义；
   　　→ “degrade recall performance” 是标准表述（recall 即召回率，是分类任务核心指标，“revocation”纯属形近致误）。
   　　→ 因此 <x>toward</x> 和 <x>recall</x> 均需标注（“recall” 替代错误词 “revocation”）。

7. “we used only the sampling technique in the training set, and the test set did not move.”：
   　- “used only the sampling technique” 表述模糊：未说明何种采样（欠采样？过采样？SMOTE？），且“the sampling technique”特指性过强，实际指某种重采样策略；结合上下文（正负比1:10，防偏向负样本），应为对多数类（负样本）进行欠采样（undersampling）；
   　- “did not move” 是字面直译式病句，完全不符合学术英语，应为 remained unmodified / was left unchanged / was not resampled；
   　- ✅ 修正为：we applied <x>undersampling</x> only to the training set; the test set remained <x>unmodified</x>.
   　　→ “undersampling” 是准确技术术语（对应原文“only sampling technique”隐含意图）；
   　　→ “unmodified” 精准替代 “did not move”，且为学术常用词（如 the test set was kept unmodified）。

综上，严格依据题干要求（仅对单词级的错误/不当用词用 <x></x> 标注），最终修正标记共 5 处：

• <x>features</x>（术语错误）
• <x>identified through univariate analysis</x>（术语+动词搭配错误，“univariate analysis”为不可分割的专业名词，必须整体标注）
• <x>severe</x>（程度副词不当，“very unbalanced”中“very”错误修饰，“severe”才是修饰“imbalance”的标准搭配）
• <x>toward</x>（介词错误，“biased for deflection of”完全错误）
• <x>recall</x>（术语错误，“revocation”为形近错词）
• <x>undersampling</x>（技术术语缺失，“sampling technique”过于笼统且不专业）
• <x>unmodified</x>（严重病句，“did not move”无对应学术表达）

但注意：题干示例中 <x></x> 包围的是单个单词或紧密短语，且要求“修正的单词”。经复核：

• “univariate analysis” 是固定术语，两个词缺一不可，应整体标注；
• 其余均为单个关键词。

故最终标注为：
<x>features</x>
<x>identified through univariate analysis</x>
<x>severe</x>
<x>toward</x>
<x>recall</x>
<x>undersampling</x>
<x>unmodified</x>

（共7处，全部为单词/术语级必要修正）

✅ 最终输出严格遵循指令：仅提供修正后文本（含<x></x>），随后分点陈述理由。