方法1:想办法获取更多的数据
首先我们要想一想我们是否可以获取更多的数据，有的时候我们在获取数据的前期，通常数据会呈现一个变化的趋势，这时候表现为某一种数据量偏多，等到数据的后半段的时期，数据的变化的趋势可能就会不一样了。
如果没有获取后半期的数据，从整体来看，预测就可能不会那么的精准.所以想办法获得更多的数据有可能会改善这个情况~
方法2:换一种评判方式
通常情况下，我们会使用准确率(Accuracy)和误差(Cost)两种方式来判断机器学习的成果.但是在不均衡的数据面前，高的准确率和低的误差就显得没有那么有用和重要了.
所以我们就可以换个方式去计算，很多时候我们会使用Confusion Matrix去计算Precision&Recall，然后在通过Precision&Recall去计算F1 Score(or F-score).通过这样的数据，我们可以很大程度上去区分不均衡数据，并且可以给出更好的分数.因为我水平的问题，具体的计算推理过程等我日后会进行推导!(立flag)
方法3:重组数据
第三种方法相对来说最为简单粗暴，对不均衡的数据进行重新组合，使之均衡。
第一种方式是复制少数数据里的样本，使其可以达到和多数数据样本差不多的数量。
第二种方式就是对多数样本的数据进行开刀，砍掉一些多数样本的数据，还是使两者的数量差不多
方法4:使用其他的机器学习方法
在使用一些机器学习的方法中，比如神经网络，在面对不均衡数据的时候都是束手无策的，但是像决策树这样的方法就不会受到不均衡数据的影响
方法5:修改算法
在所有方法中，最具有创造力的方法莫过于这个修改算法了，如果你使用的是Sigmoid函数，他会有一个预测的门槛，如果低于门槛，预测的结果为梨，如果超过了门槛，预测的结果为苹果。
不过因为现在梨的数量过多，这个时候我们就需要调解下门槛的位置，使得门槛更加的偏向于苹果这一边，只有数据非常准确的情况下，模型才会预测为苹果，从而使机器学习学习到更好的效果.
