结论：应优先根据数据量和少数类分布判断采样策略——少数类极少且总量小宜过采样，多数类冗余且总量大宜欠采样，否则易致过拟合或信息丢失。
直接上结论：用 imblearn 做样本均衡，核心不是“选哪个方法”，而是“先搞清你的数据是否适合过采样/欠采样”，否则 SMOTE 或 RandomUnderSampler 会把模型带偏。
怎么判断该用过采样还是欠采样？
关键看数据量和少数类分布。如果少数类样本极少（比如 n_samples ），且特征空间连续、可插值，优先试 <code>SMOTE；如果多数类噪声大、或少数类本身已含大量异常点，欠采样更稳，但必须配合 RandomUnderSampler 或 EditedNearestNeighbours，不能简单随机删。
-
SMOTE在高维稀疏数据（如文本 TF-IDF 向量）上容易失效，生成的样本可能远离真实流形 -
RandomUnderSampler会丢弃多数类信息，当训练集本身小（len(X) ）时慎用 - 混合策略（如
SMOTEENN）适合中间场景，但运行慢，调试阶段先单点验证
SMOTE 的三个关键参数怎么调？
SMOTE 默认用 k=5 近邻，但实际中这个值常是瓶颈。k 太小（如 k=2）会让生成样本过于集中、易过拟合；k 太大（如 k=20）又可能拉入异类邻居，污染合成逻辑。
- 先用
NearestNeighbors(n_neighbors=10).fit(X_minority)检查少数类点的平均最近距离，若距离方差很大，说明簇内不均匀，降 k 到 3–4 -
random_state必须固定，否则每次fit_resample()结果不同，交叉验证时指标不可比 - 避免对整个数据集（含测试集）调用
fit_resample()—— 正确流程是：划分 train/test 后，仅在X_train, y_train上 fit，再对二者 resample
为什么 pipeline 里用 imblearn 的 Sampler 会报错？
常见错误是把 SMOTE 当成 transformer 直接塞进 sklearn.pipeline.Pipeline，但 SMOTE 的 fit_resample() 接口和 sklearn 的 fit_transform() 不兼容，会导致 ValueError: Expected 2D array, got 1D array instead。
立即学习“Python免费学习笔记（深入）”；
- 正确做法是用
imblearn.pipeline.Pipeline，它专为采样器设计，能自动处理y的传递 - 别在 pipeline 里混用
StandardScaler和SMOTE的顺序：必须先缩放再采样（否则 SMOTE 在原始尺度上算距离，结果失真） - 如果用
GridSearchCV，得配合imblearn.pipeline.Pipeline+imblearn.model_selection.RandomizedSearchCV，原生 sklearn 的 CV 会跳过重采样步骤
最常被忽略的一点：重采样只解决训练数据分布问题，不改变测试集的原始不平衡。评估时必须用 f1_score(..., average='weighted') 或 classification_report，而不是准确率——后者在 99% 负样本数据上达到 99% 准确率毫无意义。
