SMOTE不提升整体准确率，但显著提高少数类召回率和F1分数；必须配合特征标准化、独热编码和严格训练/测试集隔离使用，否则易导致距离失真、报错或数据泄露。
SMOTE 本身不提升“分类准确率”——它会显著降低整体准确率，但大幅提升少数类的召回率和F1分数。如果你的目标是让模型在欺诈、疾病、缺陷等关键少数场景中真正可用，那SMOTE值得用；如果只盯着准确率数字看，它反而会让你失望。
SMOTE 必须配合特征标准化使用
SMOTE 基于欧氏距离找近邻，而距离对量纲极度敏感。
比如一个字段是年龄（0–100），另一个是年收入（单位：元），未经缩放时后者数值大几个数量级，距离计算几乎只由收入主导，导致插值方向严重失真。
- 必须在调用
SMOTE前对所有连续特征做标准化或归一化 - 推荐用
StandardScaler（均值为0、方差为1），而非MinMaxScaler，因后者对异常值更敏感 - 若含类别型特征，必须先完成独热编码（
pd.get_dummies或OneHotEncoder），否则SMOTE会报错或生成非法值（如 0.3 个“男”） - 注意：不要对标签列（
y）做任何缩放或编码，SMOTE只处理X
k 参数设太大会报 ValueError: Expected n_neighbors <= n_samples
这是新手最常撞上的错误。SMOTE 默认 k=5，但当你少数类样本数 < 5（比如只有 3 个欺诈样本），NearestNeighbors 就无法找到 5 个邻居。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 实际使用时应显式设置
k = min(5, len(X_minority) - 1) -
k太小（如k=1）会导致合成样本过于集中，泛化性差；太大（接近少数类总数）则可能引入远邻噪声 - 对极小样本（< 10 个），建议改用
ADASYN或人工构造特征，而非强推SMOTE
SMOTE 后不能直接用原始测试集评估
这是最容易被忽略的陷阱：
你对训练集做了过采样，但测试集仍是原始分布。若此时用 accuracy_score 对比前后，会误以为模型“变差了”——其实只是因为测试集中多数类占比更高，而你刻意让模型更关注少数类。
- 正确做法：仅对训练集（
X_train, y_train）应用SMOTE，测试集（X_test, y_test）原封不动保留原始分布 - 评估指标必须切换为：
-
classification_report(y_test, y_pred, target_names=['majority', 'minority']) - 少数类的
recall和f1-score -
roc_auc_score(y_test, y_proba[:, 1])（二分类概率输出）
-
- 绝对不要在 SMOTE 后再对整个数据集重划分 train/test——这会造成数据泄露
真实项目里，SMOTE 的成败往往不在算法本身，而在它前面那三步：是否标准化、是否正确编码类别变量、是否严格隔离训练/测试流程。这些地方出错，生成的“新样本”不是无效，就是危险。
