1、样本标注时多数正样本被错误的标注为负样本，这样模型学到正例的能力变弱，这样正样本预测为负样本的同时，负样本的精度也会减少。

方法一：对错误的标注样本进行修正，观察结果，看是否有改变。

2、一般情况下，正负样本比列小于1：100（看到有的人说1：1000一下，数值还不太确定）都不算不平衡。

3、方法二：增加数据量，认为可能是数据量不够，学不上来，效果不够；特征找的不够，则会那个负样本区分力度不大，网络太浅，学不到特征。

总结

正负样本的数量不均衡！