imbalanced-learn是重采样工具包，非简单调参即可解决不平衡问题；错误使用（如全局采样、类别特征未处理、欠采样策略不当）会导致模型性能下降。
直接说结论：imbalanced-learn 不是“调个参数就平衡”，它本质是重采样工具包，用错策略或位置，模型反而更差。
为什么 RandomOverSampler 有时让准确率暴跌？
很多人一上来就用 RandomOverSampler 对训练集过采样，结果验证集上 F1 下降、AUC 反而变差。根本原因是：它只是复制少数类样本，没增加新信息，还可能放大噪声或过拟合边界点。
- 只适合特征空间简单、类别边界清晰的场景（比如线性可分的小数据）
- 必须在交叉验证的 每折内独立采样，否则会泄露验证集标签 —— 用
imblearn.pipeline.Pipeline包裹才能避免 - 对高维稀疏特征（如 TF-IDF 向量）效果差，重复样本会让 L2 正则失效
SMOTE 在连续特征上有效，在离散/类别型特征上会出错
SMOTE 假设特征可线性插值，所以它默认只处理数值型列。如果数据里混有 category 或 object 类型列（比如性别、地区编码），直接跑会报 ValueError: Expected n_neighbors 或生成非法值（如“男”和“女”之间插出“0.7男”）。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 先用
pandas.get_dummies()或sklearn.preprocessing.OrdinalEncoder转换类别特征 - 或改用支持混合类型的
SMOTENC，但必须显式传入categorical_features索引（不是列名！） -
SMOTE(k_neighbors=3)在小样本时容易失效 —— 少数类样本少于 5 个时，建议换ADASYN或直接用欠采样
欠采样不是“删数据”，EditedNearestNeighbours 才真有用
直接用 RandomUnderSampler 删多数类，常导致关键模式丢失。真正稳健的做法是用基于邻域的清洗策略，比如 EditedNearestNeighbours（ENN）：它只删那些被近邻标签“投票反对”的多数类样本。
- 执行顺序很重要：先 ENN 清洗，再用 SMOTE 过采样，比反过来稳定得多
- ENN 默认用
n_neighbors=3，但在高维下距离失效，建议配合 PCA 降维后再用 - 注意它会改变原始训练集大小，后续要重新对齐 X/y ——
resample返回的是新数组，不是原地修改
别在 fit() 前就对全量数据用 fit_resample()
最常见错误：把整个数据集（含测试集）一起喂给 fit_resample()，导致测试集污染。正确路径只有一条：划分 → 仅对训练集 resample → 拟合模型 → 用原始测试集评估。
- 绝对不要写
X_res, y_res = smote.fit_resample(X, y)—— 这等于把测试信息混进训练过程 - 用
train_test_split后，只对X_train, y_train调用fit_resample - 如果用网格搜索，必须把采样器放进 Pipeline，否则
cross_val_score会跨 fold 泄露
重采样不是银弹，它改不了特征质量本身。当类别重叠严重、决策边界模糊时，与其反复调 SMOTE 的 k_neighbors，不如先检查特征工程是否合理，或者换代价敏感学习（class_weight='balanced'）更直接。
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！
