SVMで不均衡なマルチクラスデータセットを処理する最良の方法

かなり不均衡なデータにSVMを使用して予測モデルを構築しようとしています。私のラベル/出力には、ポジティブ、ニュートラル、ネガティブの3つのクラスがあります。ポジティブな例では、データの約10〜20％、ニュートラルでは約50〜60％、ネガティブでは約30〜40％になります。クラス間の誤った予測に関連するコストが同じではないため、クラスのバランスをとろうとしています。1つの方法は、トレーニングデータをリサンプリングし、元のデータセットよりも大きい、均等にバランスのとれたデータセットを作成することでした。興味深いことに、そうすると、他のクラスの予測が良くなる傾向があります（たとえば、データのバランスをとると、陽性クラスの例の数が増えましたが、サンプルの予測では、陰性クラスの方が優れていました）。誰もがこれが発生する理由を一般的に説明できますか？ネガティブクラスの例の数を増やすと、サンプルの予測外（たとえば、より良い予測）でポジティブクラスのようなものを取得できますか？

また、誤った分類に異なるコストを課すか、LibSVMでクラスの重みを使用することによって、不均衡なデータに対処する方法に関する他の考えにも非常にオープンです（適切に選択/調整する方法はわかりません）。

各クラスのパターンのマージンスラック変数に異なるペナルティを設定することは、データをリサンプリングするよりも優れたアプローチです。いずれにしても、漸近的にリサンプリングと同等ですが、実装するのが簡単で、離散的ではなく連続的であるため、より細かく制御できます。

ただし、重みの選択は簡単ではありません。原則として、誤分類のコストとトレーニングの違いを考慮した理論上の重み付けを使用して、事前のクラスの運用確率を設定できますが、最適なパフォーマンスは得られません。最善の方法は、交差検証による損失の最小化（誤分類コストを考慮）を介して、各クラスのペナルティ/ウェイトを選択することです。