randomforestclassifier在不平衡数据上召回率低是因默认自助采样偏向多数类且投票机制利于多数类；正样本绝对数决定业务影响；分层交叉验证需固定shuffle和random_state以确保recall可复现。
为什么 RandomForestClassifier 在不平衡数据上召回率低
不是模型“不行”，是默认训练方式天然偏向多数类：每个基学习器在自助采样（bootstrap）时，大概率抽到多数类样本，导致少数类模式学得浅；同时，最终投票或平均预测时，多数类预测结果天然占优。尤其当正样本占比 recall 掉到 0.2 甚至更低很常见。
关键点在于：它不关心你缺的是“找出来几个正例”，只优化整体准确率——而准确率在不平衡场景下毫无意义。
- 别指望调
class_weight="balanced"就能救回来：它只在损失计算时加权，但 bootstrap 采样本身仍严重偏斜 - 用 SMOTE 过采样 + 普通随机森林，容易在决策边界附近生成噪声样本，反而拉低泛化 recall
-
max_depth设太小（如 3），树太浅，根本学不到少数类的细粒度特征；设太大又容易过拟合噪声
用 imblearn.ensemble.BalancedRandomForestClassifier 替代原生随机森林
它不是简单加权，而是从采样源头改：每棵树训练前，对多数类做随机欠采样，使每轮 bootstrap 数据集里正负样本数量接近 1:1。这样每棵树都真正在“平衡数据”上学，集成后 recall 更扎实。
注意它属于 imbalanced-learn（imblearn）库，不是 scikit-learn 原生模块，需单独安装：pip install imbalanced-learn。
- 初始化时显式传
n_estimators=100（默认 100，但建议写明，避免依赖隐式默认） -
sampling_strategy="auto"是安全选择，会自动按最小类数量对其他类欠采样；若想更激进，可设为"all"（所有类都降到最小类规模） - 保留
random_state：欠采样有随机性，不设会导致每次运行结果波动大，调试困难 - 别关
bootstrap=True：关了就退化成普通随机森林，失去平衡采样优势
predict_proba 输出可信吗？怎么设阈值提 recall
BalancedRandomForestClassifier 的 predict_proba 比原生版本更合理，因为每棵树都在近似平衡数据上学，概率校准稍好——但依然不是完美概率，不能直接当“真实发生概率”用。
召回率低，往往卡在默认阈值 0.5 太高：模型输出 predict_proba[:, 1] 中，很多真实正例得分在 0.3~0.49 之间，被一刀切判为负例。
- 用
precision_recall_curve扫描不同阈值，选 recall ≥0.7 时 precision 最高的那个点 - 线上部署时，把
decision_function或predict_proba结果存下来，阈值后期可动态调，不用重训模型 - 警惕
predict_proba在极不平衡下仍偏保守：如果测试集 recall 卡在 0.6 上不去，可能需要结合代价敏感学习（如class_weight微调）再叠一层
验证时别只看 classification_report 里的 recall
单靠一次 train/test 划分的 recall 值，很可能高估效果。尤其当正样本少于 200 条，一次划分可能漏掉关键正例分布。
必须用分层、重复的交叉验证：比如 StratifiedKFold(n_splits=5, shuffle=True, random_state=42)，确保每折里正负比例一致。
- 用
cross_val_score时，明确传scoring="recall"，别用默认的"accuracy" - 记录每折 recall 值，看标准差——如果 std >0.1，说明模型不稳定，可能欠采样波动太大，需增大
n_estimators或换sampling_strategy="all" - 混淆矩阵里真正要盯的是
True Positive绝对数：召回率 0.8 × 50 个正样本 = 40 个，和 0.8 × 500 = 400 个，业务影响天壤之别
shuffle=True 和 random_state 固定——没这俩，recall 数值每天跑都不一样，根本没法判断是不是真提升了。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！
