RandomUnderSampler在千万级数据上OOM的根源是默认全量加载多数类，应改用分块流式处理；欠采样后性能下降常因误删边界样本，推荐ENN或TomekLinks；SMOTE与RUS不可手动串联，须用SMOTEENN等内置组合；验证集必须分层抽样并关注少数类指标；大规模场景优先选用BalancedRandomForestClassifier。
RandomUnderSampler在千万级数据上直接报MemoryError怎么办
别硬跑——RandomUnderSampler默认把整个多数类样本加载进内存再随机筛选，面对千万级原始数据（比如10M行、50维特征），光是X就可能占4–5GB内存，还没开始采样就OOM。这不是参数调得不对，是设计机制决定的。
真正可行的做法是分块流式处理：
- 用
pandas.read_csv(..., chunksize=N)或numpy.memmap按批次读取多数类数据，每批只保留需要的样本数 - 提前计算多数类总样本量
n_majority和目标采样量n_target，按比例控制每批采样数（如每批10万行，采其中int(100000 * n_target / n_majority)个） - 用
np.random.choice(..., replace=False)在每批内做局部随机抽样，避免全局shuffle带来的内存压力 - 最终拼接各批结果时，用
pd.concat(..., ignore_index=True)而非反复append，减少中间对象开销
欠采样后模型反而更差？检查是否误删了边界样本
随机欠采样本质是“无差别丢数据”，当多数类内部存在子结构（比如欺诈检测中“正常交易”其实分夜间高频、小额分散、大额单笔三类），RandomUnderSampler很可能把离决策边界近的关键样本全删了，导致分类器失去判别依据。
更稳妥的替代方案：
立即学习“Python免费学习笔记（深入）”；
- 改用
EditedNearestNeighbours（ENN）：先欠采样，再剔除被k近邻错分的样本，保留边界清晰的多数类样本 - 或直接上
TomekLinks：只删除跨类最近邻对中的多数类样本，天然倾向保留边界附近有信息量的点 - 如果必须用随机欠采样，至少加
random_state=42固定种子，并对比欠采样前后多数类在PCA前2主成分上的分布密度图，确认没塌缩关键区域
千万级数据下SMOTE+欠采样组合为什么不能手动串着用
写smote.fit_resample(X_train, y_train)再接rus.fit_resample(X_smote, y_smote)看似合理，实际会出问题：SMOTE生成的合成样本全是浮点数，而原始多数类是整型或类别型特征，RUS在随机删除时根本无法区分“真实样本”和“合成样本”，大概率把刚生成的少数类合成样本一起删掉。
正确做法只有两种：
- 用
imblearn.combine.SMOTEENN或SMOTETomek——它们内部做了类型标记和协同过滤，不是简单拼接 - 如果非要拆开，必须用
imblearn.pipeline.SamplerPipeline封装，且确保fit_resample只作用于训练集，验证集绝对不参与任何重采样
评估阶段发现F1-score波动剧烈，大概率是验证集没做分层抽样
千万级数据常被直接切8:2，但若少数类总共就2万样本，验证集20%就是4000个，看起来不少——可如果这4000个恰好集中在某几个时间窗口或用户群，模型在验证时看到的分布就和线上真实流量严重不一致。
必须强制分层：
- 用
sklearn.model_selection.StratifiedShuffleSplit代替train_test_split，确保训练/验证/测试集中少数类占比严格一致 - 对千万级数据，
n_splits=1即可，但test_size建议设为0.15–0.2，太小会导致验证集方差过大 - 验证时别只看macro-f1，要单独查
classification_report(y_true, y_pred, zero_division=0)里少数类的recall和precision，这两个值比整体准确率重要十倍
实际落地时最易被忽略的是：欠采样后的数据量仍可能达百万级，后续模型训练（尤其是树模型）的耗时会陡增。这时候与其死磕采样，不如直接换imblearn.ensemble.BalancedRandomForestClassifier——它内部自动对每棵树的训练子集做平衡，省去显式重采样的IO和内存折腾。
