AutoML 通过自动化处理预处理、模型训练和评估期间的类不平衡问题的技术来处理不平衡数据集。当数据集的类分布不均匀时（例如，95% 的“正常”交易与 5% 的“欺诈”交易），AutoML 工具会应用策略来防止模型偏向多数类。这些方法通常集成到管道中，无需手动干预，使开发人员能够专注于更高级别的任务，同时确保强大的模型性能。
首先，AutoML 通常通过重采样技术来调整数据集本身。例如，它可以通过生成合成数据（使用像 SMOTE 这样的方法）或复制现有样本来过度采样少数类。或者，它可以通过随机删除实例来欠采样多数类以平衡类。一些工具会根据数据集大小和不平衡程度动态地选择这些方法。例如，如果少数类只有很少的样本（例如，在 10,000 行数据集中有 100 个实例），AutoML 可能会优先进行过度采样以避免丢失信息。这些步骤通常是自动化的，系统在应用适当的方法之前，通过类分布分析来检测不平衡。
其次，AutoML 修改模型训练以解决不平衡问题。许多算法支持类加权，其中模型更重地惩罚少数类的错误。像 scikit-learn 或 XGBoost 集成这样的 AutoML 框架可能会自动设置像 class_weight='balanced' 或 scale_pos_weight 这样的参数来优先考虑代表性不足的类。在超参数调整期间，AutoML 也可能优先考虑像 F1 分数或 AUC-ROC 这样的指标，而不是准确率，因为准确率在不平衡的情况下可能会产生误导。例如，在误报至关重要的医疗诊断任务中，系统可能会优化召回率以最大限度地减少遗漏的阳性病例。此外，诸如 bagging 或 boosting 之类的集成方法通常被用来改善训练迭代中少数类的表示。
最后，AutoML 通过在交叉验证中使用分层抽样和报告针对不平衡量身定制的指标来确保强大的评估。它可能不使用简单的准确率，而是突出显示精确率-召回率曲线、混淆矩阵或诸如 G-mean (灵敏度和特异性的几何平均值) 之类的指标。一些平台会自动拆分验证数据以保持类比，从而防止出现偏差的性能估计。开发人员通常可以自定义这些设置，但 AutoML 提供了合理的默认值。例如，如果用户训练欺诈检测模型，系统可能会优先优化 F1 分数并生成混淆矩阵以显示误报和漏报之间的权衡，从而在无需手动调整的情况下做出明智的决策。