当负样本过多时，模型容易判断样本为负样本的原因主要与数据不均衡以及损失函数的影响有关。具体原因如下：

1. 数据不均衡导致的决策偏差

• 决策边界的偏移：在二分类问题中，模型通过学习数据来找到正类（正样本）和负类（负样本）之间的决策边界。如果负样本占多数，模型倾向于把决策边界向正类的方向移动，以便更好地“覆盖”大量的负样本。这种情况下，模型更容易判断一个样本为负样本，因为它对正样本的“识别区域”变得很小。

2. 损失函数的影响

• 误分类代价较低：在常见的损失函数（如交叉熵损失）中，模型会根据所有样本的预测结果来计算损失。如果负样本占绝大多数，那么在训练过程中，模型更可能通过正确分类负样本来降低整体损失，而不是费力地识别正样本。即使模型错判了一些正样本，损失也可能不会显著增加，因为负样本的权重更大。
• 学习偏差：由于负样本过多，模型在训练过程中会更多地“见到”负样本，这会导致模型的学习偏向负类特征，使其在预测时更容易判断为负样本。

3. 输出概率分布的偏差

• 阈值设定的问题：模型通常会输出一个属于正类的概率，并通过设置阈值来决定最终的分类结果。当负样本过多时，模型输出的正类概率往往较低，这会使得即使略微高于默认的0.5阈值，模型仍可能将样本判断为负类。如果这种情况频繁发生，就说明模型的预测已经被负样本主导。

4. 模型复杂度的影响

• 简单模型的偏好：对于较简单的模型（如线性模型），在面对不平衡数据时，模型会选择最容易降低损失的方式，这通常是倾向于预测多数类（负样本），而非复杂地尝试去捕捉少数类（正样本）的特征。