SMOTE正确用法是先划分训练测试集再仅对训练集重采样，避免数据泄露；k_neighbors需根据少数类样本量调整，高维稀疏特征下应先降维或筛选。
SMOTE 是目前最常用、效果较稳的过采样方法，但直接调用 SMOTE().fit_resample() 很容易踩坑——比如在高维稀疏特征上失效、在测试集上误用、或与后续标准化顺序颠倒。关键不是“用了没”，而是“怎么用对”。
SMOTE 必须在 train-test 划分之后、且仅作用于训练集
常见错误是先对整个数据集做 SMOTE，再划分训练/测试——这会导致数据泄露，模型在测试时“见过”合成样本的分布特征，评估结果严重虚高。
- 正确流程：先用
train_test_split(..., stratify=y)保证训练/测试集中类别比例一致 - 只对
X_train, y_train调用smote.fit_resample() -
X_test, y_test必须保持原始分布，不做任何重采样 - 如果用了
StandardScaler，必须先对原始X_train拟合，再分别 transform 训练和测试集——不能对重采样后的X_train_balanced重新拟合 scaler
SMOTE 的 k_neighbors 参数不是越大越好
SMOTE 默认 k_neighbors=5，但它依赖少数类样本在特征空间中的局部密度。当少数类本身就很稀疏（比如只有几十个样本），设 k=5 可能导致近邻全是噪声点，生成的合成样本反而拉偏决策边界。
- 先用
Counter(y_train)看少数类样本数；若< 20，建议降为k_neighbors=3或2 - 若特征维度 > 20 且存在大量冗余/无关特征，SMOTE 效果会明显下降——此时应先做特征筛选（如
SelectKBest）或降维（如PCA） - 对类别特别少（如 SMOTE 不适用，应改用
ADASYN（侧重生成更难分类的区域）或直接换集成方法（如EasyEnsembleClassifier）
别只盯着 SMOTE，欠采样有时更安全
当多数类样本量极大（比如百万级）、而计算资源有限时，欠采样比过采样更实际。但随机欠采样（RandomUnderSampler）风险高——可能删掉关键边界样本。
- 优先考虑
TomekLinks：它只删除那些与异类样本形成“Tomek pair”的多数类样本，本质是清理分类边界噪声 - 若多数类内部有聚类结构，用
ClusterCentroids（基于 K-means 中心替代原始样本）比随机删更保留分布信息 - 组合方案
SMOTEENN值得试：先用SMOTE过采样，再用EditedNearestNeighbours清理三类噪声（包括 SMOTE 生成的异常合成点）
评估阶段必须避开 accuracy，且验证集要真实
哪怕你用 SMOTE 把训练集平衡了，测试集仍是原始不平衡分布。此时看 accuracy 没有任何意义——它会掩盖模型对少数类的实际漏判率。
立即学习“Python免费学习笔记（深入）”；
- 必须监控
recall（尤其是少数类的召回率）和f1-score（宏平均或加权平均） - 画
precision-recall curve比ROC curve更适合极度不平衡场景（如少数类占比 < 1%） - 如果业务上漏判代价极高（如癌症诊断），直接优化
recall@fixed_precision或使用classification_report查看每类的support和recall
SMOTE，而是判断它该不该用、在哪一步用、以及用完之后如何不被虚假指标骗到。很多项目失败，不是因为算法不行，而是把重采样当成黑盒魔术，忽略了数据分布、特征质量、评估逻辑之间的咬合关系。 
