高度不平衡数据集的培训方法

我有一个高度不平衡的测试数据集。正集包含100个案例，而负集包含1500个案例。在训练方面，我有一个更大的候选库：正面训练集有1200个案例，负面训练集有12000个案例。对于这种情况，我有几种选择：

1）在整个训练集中使用加权SVM（P：1200，N：12000）

2）使用基于采样训练集（P：1200，N：1200）的SVM，从12000个案例中抽取1200个否定案例。

在确定哪种方法更好方面是否有任何理论指导？由于测试数据集高度不平衡，我是否也应该使用不平衡训练集？

在最近关于reddit的帖子中，datapraxis的回复将很有趣。

编辑：提到的论文是何海波，爱德华·A·加西亚，“从不平衡数据中学习”，IEEE知识和数据工程学报，第1263-1284页，2009年9月（PDF）

成对扩展Logistic回归，基于ROC的学习，增强和装袋（Bootstrap聚合），基于链接的集群集成（LCE），贝叶斯网络，最近质心分类器，贝叶斯技术，加权粗糙集，k-NN

以及许多处理不平衡的采样方法。