不平衡数据集的分类问题可以通过以下几种方法来解决：

1. 过采样（Oversampling）：通过增加少数类样本的数量来平衡数据集。常用的过采样方法有随机过采样（Random Oversampling）和SMOTE（Synthetic Minority Over-sampling Technique）。

from imblearn.over_sampling import RandomOverSampler, SMOTE

# 随机过采样
ros = RandomOverSampler()
X_ros, y_ros = ros.fit_resample(X, y)

# SMOTE过采样
smote = SMOTE()
X_smote, y_smote = smote.fit_resample(X, y)

2. 欠采样（Undersampling）：通过减少多数类样本的数量来平衡数据集。常用的欠采样方法有随机欠采样（Random Undersampling）和Tomek links。

from imblearn.under_sampling import RandomUnderSampler, TomekLinks

# 随机欠采样
rus = RandomUnderSampler()
X_rus, y_rus = rus.fit_resample(X, y)

# Tomek links欠采样
tl = TomekLinks()
X_tl, y_tl = tl.fit_resample(X, y)

3. 组合采样（Combination Sampling）：结合过采样和欠采样的方法，通过增加少数类样本和减少多数类样本的数量来平衡数据集。常用的组合采样方法有SMOTEENN和SMOTETomek。

from imblearn.combine import SMOTEENN, SMOTETomek

# SMOTEENN组合采样
sme = SMOTEENN()
X_sme, y_sme = sme.fit_resample(X, y)

# SMOTETomek组合采样
smt = SMOTETomek()
X_smt, y_smt = smt.fit_resample(X, y)

4. 改变分类器阈值（Threshold Moving）：默认情况下，分类器的阈值是0.5，可以根据具体情况调整阈值，以更好地处理不平衡数据集。

from sklearn.metrics import roc_auc_score

# 训练分类器
clf.fit(X_train, y_train)

# 预测概率
y_pred_prob = clf.predict_proba(X_test)[:, 1]

# 根据AUC值选择最佳阈值
best_threshold = None
best_auc = 0.0
for threshold in np.arange(0.1, 1.0, 0.1):
    y_pred = (y_pred_prob >= threshold).astype(int)
    auc = roc_auc_score(y_test, y_pred)
    if auc > best_auc:
        best_auc = auc
        best_threshold = threshold

# 根据最佳阈值重新分类
y_pred = (y_pred_prob >= best_threshold).astype(int)

需要注意的是，上述代码示例中使用了imbalanced-learn库（imblearn），该库提供了一些用于处理不平衡数据集的采样方法。在使用之前，需要先安装imbalanced-learn库，可以通过以下命令进行安装：

pip install imbalanced-learn