SMOTE通过sampling_strategy参数控制少数类目标数量而非生成倍数，其值以多数类样本数为基准计算；需精确生成指定数量样本时，应采用自定义SMOTE实现，手动控制合成总数。
SMOTE 本身不能直接指定“生成多少个新样本”，它只接受比例控制（如 sampling_strategy=0.5 表示少数类最终占多数类的 50%），如果你需要精确控制合成样本数量（比如“必须新增 87 个”），用现成库的默认接口会卡住——得自己动手或绕道调整。
SMOTE 的 sampling_strategy 参数到底怎么算
sampling_strategy 看似简单，实则容易误解。它不是“生成几倍”，而是“目标类别比例”。例如：
- 原始数据中，少数类有 40 个，多数类有 200 个；
- 设
sampling_strategy=1.0→ 少数类目标数量 = 200 × 1.0 = 200，即需新增 160 个； - 设
sampling_strategy=0.8→ 目标 = 200 × 0.8 = 160，新增 120 个； - 设
sampling_strategy='minority'→ 少数类目标数量 = 多数类数量（即 1:1）； - 设
sampling_strategy={1: 150}（假设少数类标签是 1）→ 强制目标为 150，新增 110 个。
关键点：
- 它始终以多数类样本数为基准（除非显式用字典指定）；
- 小数点后精度不保证严格达成（内部会向下取整到最接近的整数倍）；
- 若你传入
sampling_strategy=100，会被当作字典键处理，报KeyError。
如何真正实现“我要 100 个新样本”这个需求
最稳妥的方式是：先用 SMOTE 生成足够多的样本，再手动截断，或改用自定义实现。推荐后者，逻辑清晰、无黑箱：
立即学习“Python免费学习笔记（深入）”；
- 先提取所有少数类样本：
X_minor = X[y == minority_label]； - 初始化
NearestNeighbors(n_neighbors=k)，对每个样本找 k 个同类近邻； - 对每个样本，循环生成 N 次：随机选一个近邻，按
x_new = x + np.random.rand() * (x_nn - x)插值； - 控制总生成数：用
while len(synthetic) < target_count:循环，避免依赖原始样本数倍率。
示例片段：
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
from sklearn.neighbors import NearestNeighbors
import numpy as np
<p>def smote_exact(X_minor, k=5, target_count=100):
n_samples, n_features = X_minor.shape
synthetic = []
nn = NearestNeighbors(n_neighbors=k).fit(X_minor)</p><pre class='brush:python;toolbar:false;'>while len(synthetic) < target_count:
i = np.random.randint(0, n_samples)
dists, inds = nn.kneighbors(X_minor[i].reshape(1, -1), return_distance=False)
nn_idx = np.random.choice(inds[0][1:]) # 排除自己
gap = np.random.rand()
x_new = X_minor[i] + gap * (X_minor[nn_idx] - X_minor[i])
synthetic.append(x_new)
return np.array(synthetic[:target_count])注意：
-
inds[0][1:]是为了跳过自身（索引 0 总是自己）； - 用
[:target_count]防止 while 循环多生成一个； - 这种方式完全绕开
imblearn的比例机制，适合 pipeline 中需要确定性输出的场景。
fit_resample 后标签没对齐？检查 y 类型和顺序
常见错误现象：X_resampled 行数变多了，但 y_resampled 里全是 0，或长度不匹配。
根本原因通常是：
-
y是 pandasSeries且索引非连续（比如删过行），fit_resample内部重排时没重置索引； - 或者
y是 list 但含字符串标签（如['cat', 'dog']），而SMOTE要求数值型标签（[0, 1]）； - 更隐蔽的是：你传了
X和y，但二者 index 不一致（pandas DataFrame/Series 场景下极易发生）。
解决办法：
- 统一转成 numpy 数组：
X = np.array(X),y = np.array(y)； - 若 y 是字符串，先用
LabelEncoder编码，过采样完再映射回去； - 检查
len(X) == len(y)且np.all(pd.isna(y) == False)，排除空值干扰。
自定义数量的 SMOTE 看似只是“多写几行”，但它把控制权从库的启发式策略里拿回来了。真正容易被忽略的，不是公式本身，而是k 值选择对边界样本的影响——k 太小（如 k=2）会让合成点过于集中，k 太大（如 k=20）又可能拉进异类邻居，尤其在高维稀疏空间里。建议先用 NearestNeighbors 查看少数类内平均最近邻距离分布，再定 k。
