由于训练数据很大（每天大约需要9次曝光），所以不可能考虑所有的曝光。另一方面，训练数据
点击率低于1％是非常不平衡的。 由于这些原因，我们需要对负样本以$$r (r<<1)$$进行采样。

该模型针对此次抽样进行更正。 采样后的概率分布为Pr。 然后：

上述方程依赖于条件分布的条件，受采样的影响：$$Pr(x \mid y) = Pr'(x \mid y)$$。 结合方程（1）和（6），证明了log odd ratio被$$log r$$偏移了。 因此，训练后，必须通过添加$$log r$$来更正模型的截距。 类的不平衡 的逻辑回归在文献[King and Zeng 2001; Owen 2007]中描述。

并不是调整截距，而是注重于负样本采样的权重1/r，以调整子采样。 初步 使用该方法，实验结果具有较低的测试精度。 可能的解释是 泛化误差范围因为权重变得越来越差[Cortes et al. 2010]。