应使用imblearn而非sklearn做重采样，因其自动保证X与y同步变换、支持random_state控制随机性，并提供SMOTE等专业方法；慎用SMOTE处理高维稀疏数据，关键参数包括sampling_strategy和k_neighbors。
用 imblearn 而不是 sklearn 做重采样
Scikit-learn 本身不提供重采样（oversampling/undersampling）工具，硬要用 sklearn.utils.resample 手动实现容易漏掉标签对齐、随机种子一致性或分层逻辑。实际项目中应直接上 imbalanced-learn（imblearn），它是 scikit-learn 兼容的专用扩展库。
安装命令：
pip install imbalanced-learn
常见错误现象：用 sklearn.utils.resample 对 X 和 y 分别重采样，结果样本顺序错位，训练时特征和标签不匹配。
- 必须用
imblearn.over_sampling.SMOTE或imblearn.under_sampling.RandomUnderSampler等类，它们自动保证X和y同步变换 - 所有采样器都支持
random_state参数，务必设固定值，否则交叉验证时每次重采样结果不同，评估不可靠 - 慎用
SMOTE处理高维稀疏数据（如文本 TF-IDF），易生成噪声样本；可改用imblearn.over_sampling.ADASYN或先降维
SMOTE 的关键参数怎么调？
SMOTE 默认只对少数类过采样到与多数类等量，但实际中往往不需要“完全平衡”。盲目拉平可能引入过拟合或掩盖真实分布偏移。
立即学习“Python免费学习笔记（深入）”；
核心参数说明：
-
sampling_strategy：控制目标比例，可传 float（如0.5表示少数类样本数达到多数类的 50%），或 dict（如{0: 100, 1: 200}指定各类最终数量） -
k_neighbors：生成新样本时参考的最近邻数，默认为 5；类别极少（如每类 ValueError: Expected n_neighbors -
random_state：必须设置，否则 pipeline 中无法复现
示例：
from imblearn.over_sampling import SMOTE<br>smote = SMOTE(sampling_strategy=0.3, k_neighbors=3, random_state=42)<br>X_res, y_res = smote.fit_resample(X_train, y_train)
重采样该放在 Pipeline 里还是外面？
必须放进 imblearn.pipeline.Pipeline，不能在训练前单独对全量 X_train 调用 fit_resample。
原因很直接：如果在 cross-validation 外预处理，验证折里的少数类样本会被泄露到训练折的合成样本中，导致评估指标虚高——这属于数据穿越（data leakage）。
- 用
imblearn.pipeline.Pipeline替代sklearn.pipeline.Pipeline，它能正确处理重采样步骤的 fit/transform 时机 - 重采样器只能出现在 Pipeline 的早期（如第 1 步），不能放在标准化或特征选择之后——因为 SMOTE 是基于原始特征空间插值的
- 若 Pipeline 中含
StandardScaler，务必让它在重采样器之后，否则合成样本会受 scaler 影响失真
比重采样更稳的选择：代价敏感学习
当数据量大、重采样耗时高，或业务上明确要求“宁可漏判也不误判”（如金融风控），直接用代价敏感方法更可靠。
scikit-learn 原生支持，无需额外库：
-
LogisticRegression、SVC、RandomForestClassifier都有class_weight参数 -
class_weight="balanced"等价于自动设weight = n_samples / (n_classes * n_samples_in_class) - 更精细控制可用
class_weight={0: 1, 1: 5}，数值越大表示越不愿将该类预测错 - 注意：
class_weight不改变训练集分布，只调整损失函数梯度权重，因此不会放大噪声或过拟合风险
性能提示：对树模型（如 RandomForestClassifier），class_weight 比 SMOTE 快一个数量级，且天然兼容 CV。
真正棘手的是多分类 + 极端不平衡（比如 100 类中 99 类各只有 1–2 个样本），这时单靠 SMOTE 或 class_weight 都难奏效，得结合异常检测、主动学习或分层抽样策略——但那是另一层问题了。
