smote过采样后模型变差，首要检查标签是否被隐式转为连续值；需用labelencoder或cat.codes显式编码为int类型，并确保标准化在smote前完成且统一应用于所有数据。
SMOTE过采样后模型反而更差？先检查标签是否被当成了连续值
SMOTE 本质是插值，它会把 y 当作数值去参与距离计算——如果传入的是字符串标签（比如 ['cat', 'dog']），smote.fit_resample(X, y) 会静默转成 [0, 1]，但后续训练时若没对齐编码逻辑，预测结果就全乱了。
- 务必用
LabelEncoder或pd.Categorical显式编码y，并在 fit 之前确认y.dtype是int或uint - 别直接传
df['label'].values，先做df['label'].astype('category').cat.codes.values - SMOTE 不支持多输出（multi-output）或多标签（multi-label），遇到
ValueError: Expected 1D target vector就是这个原因
class_weight='balanced' 没生效？可能是树模型没开参数开关
像 RandomForestClassifier 这类集成模型，class_weight='balanced' 默认只作用于基学习器（即每棵决策树），但树本身默认不启用样本加权——得额外打开 class_weight 在 DecisionTreeClassifier 内部的开关。
- 正确写法：
RandomForestClassifier(class_weight='balanced', **{'class_weight': 'balanced'})不行；必须显式传进base_estimator，例如：RandomForestClassifier(class_weight='balanced', base_estimator=DecisionTreeClassifier(class_weight='balanced')) -
LogisticRegression和SVC支持直接设class_weight，但SVC对大样本极慢，n_samples > 10k时慎用 - 用
sample_weight手动构造权重数组更可控：比如weights = len(y) / (len(np.unique(y)) * np.bincount(y))，再传给fit(X, y, sample_weight=weights)
SMOTE + 标准化顺序错了，特征尺度会污染合成样本
SMOTE 在原始特征空间做线性插值，如果数据没标准化，高量纲特征（如收入 vs 是否在校）会主导邻域搜索，导致合成样本集中在某个轴向上，失去多样性。
- 必须先
StandardScaler().fit_transform(X)，再喂给SMOTE；不能反过来，也不能只对训练集标准化而忽略 SMOTE 后的新样本 - 注意：标准化器要拟合在原始训练集上，SMOTE 后的数据也必须用同一个
scaler.transform()处理，否则测试集和合成样本尺度不一致 - 对稀疏矩阵（如 TF-IDF 输出），改用
MaxAbsScaler，StandardScaler会破坏稀疏性
验证阶段泄露了过采样信息，AUC 虚高很常见
很多人在交叉验证里对整个数据集跑 SMOTE，或者在 train_test_split 前就做了过采样，这会让验证集“提前看到”合成样本的分布规律，尤其在小样本下 AUC 可能虚高 0.1 以上。
- 严格遵循：划分 train/val/test → 只在 train 上 fit SMOTE → 用该实例 transform train，**不碰 val/test**
- 用
imblearn.pipeline.Pipeline替代手写流程，自动保证 resampling 只作用于训练折，例如：Pipeline([('smote', SMOTE()), ('clf', LogisticRegression())]) - 如果 val 集本身不平衡，评估时别只看 accuracy，重点盯
f1_score(y_val, pred, average='macro')和precision_recall_curve
真正难的不是调通 SMOTE 或 class_weight，而是确保重采样逻辑不跨过数据边界——一旦在验证前泄露，所有指标都不可信。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
