使用imblearn采样前须检查标签分布，确保y为数值型且无空值或混合类型；SMOTE不支持多输出和字符串标签，需预处理；高维稀疏特征下慎用SMOTE，优先降维或改用ADASYN/SMOTENC；采样必须仅在训练集内、CV每折中进行以防数据泄露；评估应关注少数类precision/recall/f1及AUC，并设zero_division=0避免nan。
用 imblearn 做过采样前必须检查标签分布
直接调 SMOTE().fit_resample() 很容易忽略原始数据中是否存在标签为字符串或空值的情况。一旦 y 里混着 "unknown" 或 None，SMOTE 会报 ValueError: Expected array of shape (n_samples,) but got shape (n_samples, 1) 这类看似维度错误、实则类型异常的提示。
实操建议：
- 先跑
print(pd.Series(y).value_counts(dropna=False))，确认所有标签都是整数或一致字符串（如全为"fraud"/"normal"） - 若含字符串标签，必须用
sklearn.preprocessing.LabelEncoder或pd.Categorical(y).codes转成数值型再进采样流程 -
SMOTE不支持多输出（multi-output y），如果y.shape[1] > 1，得先 flatten 或改用SMOTEN（仅支持标称型）或SMOTENC（混合类型）
RandomOverSampler 和 SMOTE 的选择取决于特征空间是否线性可分
RandomOverSampler 简单复制少数类样本，速度快、无额外依赖，但容易导致过拟合——尤其当原始少数类样本本身就集中在某几个异常点附近时，复制只会放大噪声。
SMOTE 在特征空间中对相邻样本插值生成新样本，隐含假设是：少数类在局部区域具有连续性。但如果特征是高维稀疏的（比如 one-hot 后的类别变量超过 50 维），欧氏距离失效，SMOTE 生成的“新样本”可能落在毫无意义的区域。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 先用
PCA(n_components=5)降维后画散点图，观察少数类是否大致连成片；如果不是，优先用RandomOverSampler或考虑ADASYN（更关注边界样本） - 对含大量分类特征的数据，改用
SMOTENC并显式传入categorical_features索引，否则默认按连续变量处理会出错 - 别在 pipeline 里对全量数据 fit
SMOTE—— 必须只在训练集上做，且要和StandardScaler一样放在交叉验证的每折内，否则造成数据泄露
评估指标不能只看准确率，classification_report 要强制指定 zero_division
类别极度不平衡时，模型全预测多数类也能拿到 99%+ 准确率，但实际毫无价值。必须看 precision、recall、f1-score，尤其是少数类（如正例）的 recall（查全率），它直接反映漏检风险。
常见坑是：当某类样本在某个 CV 折中完全没出现，classification_report 默认抛 UndefinedMetricWarning 并跳过该类统计，导致 f1 计算失真。例如测试集里没有正例，recall 就变成 nan，后续取平均会出错。
实操建议：
- 统一用
classification_report(y_true, y_pred, zero_division=0)，把 nan 替换为 0，保证指标可比 - 加一行
from sklearn.metrics import roc_auc_score; roc_auc_score(y_true, y_proba[:, 1])，AUC 对类别比例不敏感，更适合不平衡场景 - 如果业务更怕误杀（比如风控拒绝正常用户），重点盯
precision；更怕漏抓（比如疾病筛查），重点盯recall—— 指标选择得贴业务，不是套模板
欠采样不是“删多数类就完事”，RandomUnderSampler 需配合清洗
RandomUnderSampler 随机丢弃多数类样本，看似简单，但极可能把有信息量的边界样本一起删掉，导致决策边界偏移。更危险的是：如果多数类本身含噪声（比如标注错误的“正常”样本被当成负例），随机下采样反而保留了这些脏数据。
实操建议：
- 先用
OneClassSVM或IsolationForest对多数类单独做异常检测，把得分低的样本标记出来，下采样时优先剔除它们 - 改用
EditedNearestNeighbours（ENN）或RepeatedEditedNearestNeighbours（RENNS），它们会删除那些与其近邻类别不一致的多数类样本，本质是清洗+欠采样一体化 - 注意
ENN对 k 值敏感：k 太小易删太多，k 太大则清洗不彻底；建议从 k=3 开始试，配合cross_val_score观察验证集 recall 变化
