必须从评估、采样、建模三处同时干预多分类偏见：用classification_report和confusion_matrix替代accuracy_score；优先用class_weight='balanced'而非smote；验证集须stratify划分且不参与过采样。
scikit-learn 默认的准确率评估和模型训练会严重掩盖多分类偏见，尤其当某类样本占比超 70% 时，模型可能对少数类（如 2% 的“欺诈”或“故障”）几乎零召回。必须从**评估、采样、建模三处同时干预**，缺一不可。
别只看 accuracy_score —— 多分类偏见下它完全失效
在 5 分类任务中，若类别分布为 [75%, 10%, 8%, 5%, 2%]，一个把所有样本全预测为第 1 类的“懒模型”，accuracy_score 仍高达 0.75。这不是高分，是失能信号。
- 必须用
classification_report查看每个类的precision、recall、f1-score，重点关注最低 recall 的类 -
confusion_matrix要可视化——肉眼能看出哪几行/列几乎全黑（即该类被系统性漏判或误判） - 对业务关键类（如“故障”“高危”），直接监控其
recall，容忍度通常 ≤ 0.05 的下降
SMOTE 对多分类支持有限，优先用 class_weight=’balanced’
imblearn.over_sampling.SMOTE 默认只支持二分类；多分类需显式指定 sampling_strategy，且在 >3 类、高维特征下易生成噪声样本，导致验证集 f1 反降。
python-docx
下载
python-docx Skill功能概述python-docx Skill是一项面向实际任务的技能，主要用于本Skill提供使用python-docx生成专业Word文档的标准方法和最佳实践；生成安全服务方案文档；核心要点生成技术架构设计文档；生成任何需要专业排版的Word文档；核心库 : python-docx；使用与执行辅助库 : docx.shared , docx.enum , docx.oxml.ns；标准代码模板；1. 文档初始化；2. 字体设置（必须！它将相关步骤、工具调用和结果整理方式集
- 更稳的方案是：用
sklearn.utils.class_weight.compute_class_weight计算权重，传给模型的class_weight参数 - 注意：XGBoost 的
scale_pos_weight仅适用于二分类；多分类必须用class_weight='balanced'或手动 dict - LightGBM 和 CatBoost 支持
class_weight，但参数名不同：class_weight（LightGBM）、class_weights（CatBoost）
LogisticRegression 和 SVC 在多分类中默认不处理偏见
LogisticRegression 的 multi_class='ovr'（一对多）或 'multinomial'（多项式）模式，均不自动适配类别不平衡；SVC 同理，默认 class_weight=None。
- 必须显式设置
class_weight='balanced'，否则模型会把多数类的 margin 拉得过大，挤压少数类决策边界 -
RandomForestClassifier虽有class_weight，但树分裂时仍以基尼不纯度为主——建议额外开启balanced_subsample=True，让每棵树训练前重采样 - 避免用
OneVsRestClassifier套未加权的二分类器，这会把多分类偏见放大成 N 个独立的二分类偏见
真实项目里最容易被跳过的一步：验证集必须保持原始分布
用 train_test_split 划分时若没设 stratify=y，测试集可能完全不含某个少数类（比如 1000 样本中只有 3 个“高危”，测试集恰好抽到 0 个），导致 recall 计算为 nan 或 0，无法反映真实能力。
- 务必写成：
train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) - 如果用了 SMOTE 或其它过采样，**只对训练集做**，验证集和测试集必须保留原始分布——否则评估结果虚假乐观
- 当某类样本总数 stratify 可能报错；此时改用分层 K 折：
StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
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！
