问题描述
我正在处理我想用 doc2vec 转换的电子邮件内容数据集。这是一个带标签的数据集（垃圾邮件/非垃圾邮件）并且它是不平衡的（90-10 的比率）。
我的问题是：在标记电子邮件的内容时，我应该先过采样（使用 SMOTE），还是可以按原样使用数据集？
解决方法
两种都试一下，选择哪个效果更好。
（另外：避免使用已知标签作为 Doc2Vec 中的文档标识符，因为在实践中将数据集变成两个巨大的文档——对于训练任何有用维度的文档向量来说太少了——而不是一个有趣/有用的高维文档向量集所需的许多不同的文档。）
