不平衡数据分类需先诊断失衡程度与类型，再组合采样、阈值调整与评估；应计算各类占比及min/max样本比，重点关注recall、precision、f1-score，慎用accuracy和AUC。
直接上结论：不平衡数据分类不能只靠改 class_weight 或换算法，得先诊断失衡程度和类型，再组合采样、阈值调整与评估手段——否则模型在测试集上 accuracy 很高，但 recall 接近 0，根本没法用。
怎么看你的数据到底有多不平衡？
别凭感觉。用 collections.Counter(y) 或 y.value_counts(normalize=True) 算出各类占比，重点关注少数类是否低于 5%；更关键的是看 min_samples / max_samples 比值（比如 1:100 是严重失衡，1:5 属轻度）。若少数类样本数
常见错误：直接跑 classification_report 却忽略 support 列——support 小于 30 的类别，F1 值波动极大，不可信。
SMOTE 和 RandomOverSampler 到底该选哪个？
SMOTE 在特征空间中对少数类样本做线性插值生成新样本，适合数值型特征多、边界较连续的场景；但它会放大噪声，且对高维稀疏数据（如 TF-IDF 文本）效果差，甚至导致过拟合。
立即学习“Python免费学习笔记（深入）”；
RandomOverSampler 简单重复采样，不引入新特征组合，适合类别边界不规则、或含大量离散/分类特征的数据（比如用户行为日志中的 device_type、country），但可能让模型记住重复样本。
- 用
imblearn.over_sampling.SMOTE(k_neighbors=3)时，若报ValueError: Expected n_neighbors <= n_samples，说明某类样本数 ≤ k_neighbors，必须先设k_neighbors=min(3, len(minority_class)-1) - 文本分类任务中，优先试
RandomOverSampler+ 特征哈希（HashingVectorizer）而非 SMOTE，后者在稀疏向量上插值得到的“新样本”常是全零向量
为什么调了 class_weight='balanced' 还是没用？
class_weight='balanced' 实际是按 n_samples / (n_classes * n_samples_of_class) 自动加权，它只影响损失函数梯度更新方向，并不改变预测阈值——模型输出仍是默认 0.5 分界，而失衡下最优阈值往往在 0.1~0.3 区间。
必须配合后处理：
- 用
model.predict_proba(X)[:, 1]获取正类概率，再用precision_recall_curve找f1_score最高点对应的阈值 - LightGBM/XGBoost 可直接设
scale_pos_weight = len(negative) / len(positive)，比class_weight更稳定 - sklearn 的
CalibratedClassifierCV能校准概率输出，让阈值调整更可靠
评估指标选错等于白干
Accuracy 和 AUC 在极端不平衡下完全失效：一个把所有样本都判为多数类的模型，accuracy 可能 >99%，AUC 仍接近 0.5（因 AUC 关注排序能力，但多数类内部排序无意义）。
必须盯住以下三个指标：
-
recall（查全率）：少数类里被找出来的比例，医疗/风控场景首要目标 -
precision（查准率）：预测为少数类的样本里，真少数类占多少，推荐系统关注这个 -
f1-score（宏平均或加权平均）：precision 和 recall 的调和平均，比 accuracy 更敏感
注意：average='macro' 对各类等权重，适合各类重要性相同时；若少数类代价极高（如癌症漏诊），应单独看其 recall，并用 confusion_matrix 检查误判分布——比如模型总把某子类（如 stage-2 肿瘤）判成 stage-1，说明特征表达不足，不是采样能解决的。
