必须用imblearn而非sklearn做重采样，因sklearn无重采样功能；正确安装为pip install imbalanced-learn；采样器统一用fit_resample()而非fit_transform()；SMOTE不适用于高维稀疏特征；重采样须限于训练集，测试集严禁采样。
用 imblearn 而不是 sklearn 做重采样
Scikit-learn 本身不提供重采样工具，硬要用 sklearn 处理类别不平衡（比如靠 class_weight='balanced' 或手动调 sample_weight），只能缓解训练偏差，无法生成新样本或删减多数类。真正做上采样（SMOTE）、下采样（RandomUnderSampler）或混合策略，得装并用 imbalanced-learn（imblearn）。它 API 风格和 sklearn 一致，但底层是专为不平衡设计的。
常见错误：pip install sklearn 后直接 import imblearn → 报 ModuleNotFoundError。正确做法是：
pip install imbalanced-learn，然后
from imblearn.over_sampling import SMOTE 或 from imblearn.under_sampling import RandomUnderSampler。
fit_resample() 是核心方法，别用错成 fit_transform()
imblearn 的采样器统一用 fit_resample(X, y)，不是 fit_transform() —— 后者是 sklearn 预处理器的接口，混用会报错或静默出错（比如返回 shape 不匹配的数组）。
使用场景举例：训练前对原始数据做一次重采样，再进 pipeline；或者在交叉验证内每次 fold 单独 resample（避免数据泄露）。
立即学习“Python免费学习笔记（深入）”；
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
- 上采样示例：
smote = SMOTE(random_state=42)<br>X_res, y_res = smote.fit_resample(X_train, y_train)
- 下采样示例：
rus = RandomUnderSampler(random_state=42)<br>X_res, y_res = rus.fit_resample(X_train, y_train)
- 注意：
X_res和y_res长度变了，后续模型训练必须用这对新数据，不能还拿原X_train混用
SMOTE 不适合高维稀疏特征或文本向量
SMOTE 通过在同类样本间插值生成新样本，依赖欧氏距离。当特征维度高、稀疏（比如 TF-IDF 向量），插值结果可能落在无意义区域，甚至破坏类别边界，反而降低模型效果。
容易踩的坑：
- 对
CountVectorizer或TfidfVectorizer输出直接跑SMOTE→ 准确率不升反降 - 没做标准化就用 SMOTE（尤其数值量纲差异大时）→ 距离被某几个特征主导
- 解决办法：先用
StandardScaler归一化（仅对稠密数值特征），或换更鲁棒的方法，比如imblearn.ensemble.BalancedRandomForestClassifier，它内部自动处理不平衡，不碰原始特征
评估必须在重采样之外做，且用合适指标
重采样只该发生在训练集内部。如果在整份数据上跑 fit_resample() 再切 train/test，测试集就被污染了——这等于把未来信息“泄漏”进训练过程，评估结果虚高。
关键点：
- 永远先划分 train/test（用
train_test_split），再对X_train/y_train单独 resample - 测试集
X_test/y_test保持原样，不做任何采样 - 别只看 accuracy：类别不平衡时，accuracy 可能 >95% 却完全不会识别少数类。改用
f1_score(y_true, y_pred, average='macro')或classification_report看 per-class precision/recall/f1
复杂点在于：有些采样器（如 SMOTEENN）自带清洗步骤，有些集成方法（如 EasyEnsembleClassifier）内部多轮下采样，它们的 fit 逻辑更隐蔽——务必读文档确认是否已包含 CV 内 resampling，否则可能重复操作。
