当目标不均匀分布时，为训练数据集选择行

的方法有以下几种：

重采样（Resampling）：重采样是一种常用的方法，用于解决目标不均匀分布的问题。它包括过采样和欠采样两种方式。
- 过采样（Oversampling）：过采样是指增加少数类样本的数量，使其与多数类样本数量相当。常用的过采样方法有随机过采样（Random Oversampling）、SMOTE（Synthetic Minority Over-sampling Technique）等。随机过采样是简单地随机复制少数类样本，而SMOTE则是基于少数类样本之间的线性插值生成新的样本。
- 欠采样（Undersampling）：欠采样是指减少多数类样本的数量，使其与少数类样本数量相当。常用的欠采样方法有随机欠采样（Random Undersampling）、NearMiss等。随机欠采样是简单地随机删除多数类样本，而NearMiss则是基于样本之间的距离选择删除多数类样本。
- 重采样方法的优势在于简单易实现，但可能会导致信息损失或过拟合的问题。在实际应用中，可以根据具体情况选择合适的重采样方法。

类别权重调整（Class Weighting）：类别权重调整是通过调整样本权重的方式来解决目标不均匀分布的问题。对于少数类样本，可以增加其权重，使其在模型训练过程中更加重要。常用的类别权重调整方法有平衡权重（Balanced Weighting）和自定义权重（Custom Weighting）。
- 平衡权重：平衡权重是指根据类别的样本数量自动调整样本权重，使得少数类样本的权重较大，多数类样本的权重较小。在训练过程中，模型会更加关注少数类样本，从而提高对少数类的分类性能。
- 自定义权重：自定义权重是指根据领域知识或经验手动设置样本权重。可以根据具体情况，给予少数类样本更高的权重，以便更好地训练模型。
- 类别权重调整方法的优势在于不需要生成新的样本，避免了信息损失的问题。但需要根据具体情况手动设置权重，可能需要一定的领域知识或经验。
生成对抗网络（GAN）：生成对抗网络是一种强大的生成模型，可以用于生成新的样本，从而解决目标不均匀分布的问题。GAN由生成器和判别器组成，通过对抗学习的方式，生成器逐渐学习生成接近真实样本的样本分布。
在目标不均匀分布的情况下，可以使用GAN生成新的少数类样本，从而平衡样本分布。生成的样本可以基于少数类样本进行插值，保持数据的真实性。GAN的优势在于可以生成高质量的样本，但需要较大的计算资源和训练时间。

以上是针对目标不均匀分布时为训练数据集选择行的几种常见方法。具体选择哪种方法，可以根据实际情况和需求进行权衡和选择。

腾讯云相关产品和产品介绍链接地址：