必须用imblearn.pipeline.Pipeline封装SMOTE等重采样器，因sklearn.utils.resample仅随机复制/删除、易致过拟合或误删边界样本，且sklearn.pipeline不支持fit_resample接口；正确流程是先划分train/test，再仅对训练集重采样。
直接结论：别用 sklearn.utils.resample 做简单复制，也别把 SMOTE 塞进 sklearn.pipeline.Pipeline——必须用 imblearn，且重采样必须封装在 imblearn.pipeline.Pipeline 里，否则必然数据泄露或报错。
为什么不能直接用 sklearn.utils.resample？
它只做随机复制或删除，不理解类别结构。对少数类 resample(..., replace=True) 后，模型会反复看到完全相同的样本点，极易过拟合；对多数类 replace=False 则纯靠运气删点，可能误删关键边界样本。真实场景中（比如欺诈检测里仅 0.5% 正样本），这种“假平衡”会让 predict_proba 输出严重失真，而你根本察觉不到。
要点：
- 仅适合快速 baseline 或极小数据集探查，不可用于正式训练
- 无法处理混合类型特征（如含分类列的
SMOTENC场景） - 不支持 pipeline 集成，每次都要手动切分再 resample，易漏掉测试集隔离
怎么正确用 SMOTE 且不泄露数据？
核心是两件事：先划分 train/test，再只对 X_train/y_train 做重采样，并且必须走 imblearn.pipeline.Pipeline。用 sklearn.pipeline.Pipeline 会直接报 AttributeError: 'SMOTE' object has no attribute 'transform'，因为 SMOTE 没有 transform 方法，只有 fit_resample。
立即学习“Python免费学习笔记（深入）”；
示例代码：
from imblearn.pipeline import Pipeline
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
<p>pipe = Pipeline([
('smote', SMOTE(random_state=42, k_neighbors=3)),
('clf', RandomForestClassifier())
])
pipe.fit(X_train, y_train) # 内部自动只对训练子集 resample注意：
-
k_neighbors=3比默认 5 更稳妥——当少数类总样本 k_neighbors=5 会触发ValueError: Expected n_neighbors <= n_samples - 若特征含高量纲差异（如收入 vs 年龄），务必前置
StandardScaler，否则 SMOTE 在原始尺度上算距离会失效 - 别在交叉验证外单独调用
smote.fit_resample(X_train, y_train)，那等于把整个训练集暴露给了采样器
欠采样和混合策略怎么选？
不是看“哪个听起来高级”，而是看你的数据量和噪声水平：
- 多数类样本 > 50k 且分布松散 → 用
RandomUnderSampler，快、可控，但要配random_state保证可复现 - 多数类里存在大量边界混淆点（比如贷款逾期数据中“临界信用分”人群）→ 改用
EditedNearestNeighbours或TomekLinks，它们专删那些拉低决策边界的样本 - 拿不准时优先试
SMOTEENN：先 SMOTE 过采样，再用 ENN 清理合成样本周围的噪声点，鲁棒性高，但运行慢 3–5 倍
特别注意：RandomUnderSampler 在训练集本身很小（
评估阶段最容易忽略的三件事
重采样只改训练分布，测试集永远保持原始不平衡。这意味着：
- 绝对不用
accuracy_score：99:1 数据下，全猜负类也能得 99% 准确率 - 必须用
f1_score(y_test, y_pred, average='binary')（二分类）或average='weighted'（多分类） - 如果要用概率输出（如
predict_proba），记得加CalibratedClassifierCV校准——重采样后的分布会让原始概率严重偏移
最常被跳过的细节：你在 GridSearchCV 里用的是 imblearn.model_selection.RandomizedSearchCV 吗？原生 sklearn 的 CV 会绕过 pipeline 里的采样步骤，导致每折都在未平衡数据上训练。
