直接用 train_test_split 会放大类别不平衡问题，因其默认随机切分不保证各类别比例一致，导致训练集和测试集中正负样本分布失真；解决方法是传入 stratify=y 参数实现分层抽样。
为什么直接用 train_test_split 会放大类别不平衡问题？
默认的 train_test_split 按样本随机切分，不保证各类别在训练集/测试集中比例一致。比如原始数据中正样本只占 2%，切分后可能训练集正样本掉到 0.8%，测试集却跳到 3.5%——模型根本学不到稳定模式，评估结果也失真。
解决方法是强制按类别分层抽样：
- 必须传入
stratify=y参数（y是标签数组），否则分层失效 -
stratify仅支持一维标签；多标签或多输出场景需先转换为唯一组合编码 - 若某类别样本数 train_test_split 会直接报错
ValueError: The least populated class in y has only 1 member
过采样时为什么不能对整个数据集用 SMOTE？
SMOTE 通过合成少数类邻近样本点来扩充数据，但若在划分前就对全量数据运行，会导致训练集和测试集“信息泄露”：测试样本的合成邻居可能来自训练集，模型实际在作弊。
正确做法是只在训练集上 fit + sample：
立即学习“Python免费学习笔记（深入）”；
- 先用
train_test_split(..., stratify=y)切分 - 再对
X_train和y_train调用SMOTE().fit_resample(X_train, y_train) - 注意：
fit_resample返回新数组，原X_train和y_train不变 - 如果使用
imblearn.pipeline.Pipeline，务必把SMOTE放在第一步，避免后续标准化等步骤污染合成逻辑
用 class_weight='balanced' 时权重怎么算？
不是简单按反比（如 98% vs 2% → 权重 1/0.98 vs 1/0.02），而是按 n_samples / (n_classes * n_samples_of_class) 计算。例如二分类中负样本占 90%，则负类权重为 1 / (2 * 0.9) ≈ 0.56，正类为 1 / (2 * 0.1) = 5.0。
这个策略只适用于支持该参数的模型（如 SVC、RandomForestClassifier、LogisticRegression）：
- 树模型（如
RandomForestClassifier）内部用权重影响分割标准计算，而非简单加权损失 -
class_weight='balanced_subsample'仅对 bagging 类模型有效，每次 bootstrap 采样时动态重平衡 - 若手动传字典（如
{0: 1, 1: 5}），注意键必须严格匹配标签值类型（int/str），否则静默失效
验证阶段为什么不能只看准确率？
当负样本占 95%，模型全预测负类也能拿到 95% 准确率，但毫无价值。必须监控 classification_report 中的 recall（查全率）和 f1-score，尤其关注少数类指标。
实操建议：
- 用
sklearn.metrics.classification_report(y_true, y_pred, output_dict=True)提取各列数值，方便自动化判断 - 混淆矩阵中重点关注
tn（真负）、tp（真正）是否被严重低估，而不是总和 - 若使用交叉验证，必须用
StratifiedKFold，否则某折可能完全缺失少数类，导致f1-score计算失败或为 nan
最常被忽略的是：重采样或加权后，测试集仍必须保持原始分布——它代表真实场景，任何在测试集上做平衡的操作都会让评估失去意义。
