在Keras中處理不平衡數據集可以通過以下幾種方法：

1. 類權重（class weights）：可以為每個類別設置一個權重，使得模型更加關注少數類樣本。在模型訓練時，可以通過class_weight參數將類權重傳遞給模型。

class_weights = {0: 1, 1: 10}  # 設置兩個類別的權重，假設少數類的權重為10
model.fit(X_train, y_train, class_weight=class_weights)

2. 重采樣（resampling）：可以通過過采樣（oversampling）或者欠采樣（undersampling）來平衡數據集。可以使用imbalanced-learn庫中的RandomOverSampler和RandomUnderSampler類來實現。

from imblearn.over_sampling import RandomOverSampler

oversampler = RandomOverSampler()
X_resampled, y_resampled = oversampler.fit_resample(X_train, y_train)

3. 使用集成學習（ensemble learning）：可以通過集成多個模型，每個模型針對不同的數據子集進行訓練，最后組合它們的預測結果來減少不平衡性的影響。

from sklearn.ensemble import RandomForestClassifier

model1 = RandomForestClassifier()
model2 = RandomForestClassifier(class_weight='balanced')

# 訓練多個模型
model1.fit(X_train1, y_train1)
model2.fit(X_train2, y_train2)

# 組合預測結果
y_pred1 = model1.predict(X_test)
y_pred2 = model2.predict(X_test)
y_pred = (y_pred1 + y_pred2) / 2

通過以上方法，可以有效處理不平衡數據集，提高模型的性能和泛化能力。