深度解析：類別不均衡問題與圖像正規化實踐

本文深入探討了機器學習中的類別不均衡問題及其對模型訓練的影響。類別不均衡是指資料集中某一類別的樣本數量顯著多於其他類別的現象，這在醫學診斷、欺詐檢測等現實場景中非常常見。文章首先解釋了為什麼不均衡資料會導致模型偏向多數類，接著介紹了過採樣、欠採樣、代價敏感學習等主流解決方案。第二部份聚焦圖像正規化，闡述了正規化如何加速模型收斂並提升泛化能力，包括 Min-Max 正規化和 Z-Score 標準化兩種方法的原理與適用場景。全文結合程式碼範例，幫助讀者系統理解這兩個在深度學習實踐中不可或缺的核心概念。