在机器学习中，负样本远比正样本多，这是因为这种情况能更好地反映现实世界中的不平衡问题。

在实际情况中，许多问题都是需要进行分类的，但是正负样本的分布通常是不平衡的。如果正负样本的数量相同，学习模型则可能会倾向于偏向于多数类别，以此来最小化总的损失函数。

然而，我们需要更多的负样本，以便增加小类别的比例，使机器学习模型更加平衡，更全面地识别问题。