处理不平衡数据的二分类问题有多种方法。以下提供两种常见的解决方法及其代码示例：

1. 过采样（Oversampling）方法： 过采样方法通过增加少数类别样本的数量来平衡数据集。常见的过采样方法包括随机过采样、SMOTE（Synthetic Minority Over-sampling Technique）等。

   示例代码（使用Python的imbalanced-learn库中的RandomOverSampler）：

   from imblearn.over_sampling import RandomOverSampler
   
   # 假设X_train和y_train是训练数据集
   # 使用RandomOverSampler进行过采样
   oversampler = RandomOverSampler()
   X_train_resampled, y_train_resampled = oversampler.fit_resample(X_train, y_train)
   

2. 欠采样（Undersampling）方法： 欠采样方法通过减少多数类别样本的数量来平衡数据集。常见的欠采样方法包括随机欠采样、NearMiss等。

   示例代码（使用Python的imbalanced-learn库中的RandomUnderSampler）：

   from imblearn.under_sampling import RandomUnderSampler
   
   # 假设X_train和y_train是训练数据集
   # 使用RandomUnderSampler进行欠采样
   undersampler = RandomUnderSampler()
   X_train_resampled, y_train_resampled = undersampler.fit_resample(X_train, y_train)
   

需要注意的是，过采样和欠采样都可能导致数据集信息的丢失或者引入噪音。因此，这些方法需要谨慎使用，并根据实际情况进行调整和评估。