最稳妥的选择是直接用imblearn.over_sampling.smote，但效果取决于是否标准化、k_neighbors设置合理、是否仅在训练集独立拟合；否则合成样本易漂移或放大噪声。
直接用 imblearn.over_sampling.SMOTE 是最稳妥的选择，但效果好不好，不取决于“有没有调用”，而取决于你是否处理了标准化、是否设对了 k_neighbors、是否在训练集上独立拟合——这三个点踩错一个，合成的样本就可能漂在特征空间边缘，甚至放大噪声。
为什么SMOTE生成的样本有时反而拉低模型召回率
常见错误现象：过采样后验证集上的 recall 不升反降，precision 显著下滑，混淆矩阵里新样本全被误判为多数类。
根本原因不是算法失效，而是输入没对齐：
- 特征量纲差异大（比如年龄是 0–100，收入是 0–1e6），
NearestNeighbors默认用欧氏距离，大数值特征主导近邻搜索，导致选出来的“近邻”在业务意义上根本不近 -
k_neighbors设得过大（如默认5），在稀疏区域强行找 5 个邻居，实际最近的几个可能全是噪声点或边界异常值 - 在完整数据集（含测试集）上做
fit_resample，造成数据泄露，模型评估失真
解决办法只有一条：先用 StandardScaler 或 MinMaxScaler 对 X 做列归一化，且仅在训练集上调用 smote.fit_resample(X_train, y_train)。
如何正确设置 SMOTE 的 k_neighbors 参数
k_neighbors 决定每个少数类样本参考多少个“同类邻居”来插值，它不是越大越好，也不是越小越安全。
- 若少数类总样本数
n_minority ，<code>k_neighbors必须 ≤n_minority - 1，否则NearestNeighbors报错ValueError: n_neighbors must be less than the number of samples - 若少数类分布高度聚集（如聚类轮廓系数 > 0.7），可适当增大
k_neighbors（如设为10），让插值更平滑 - 若少数类本身离散、带噪声（如欺诈检测中混入少量误标样本），建议降低至
3或4，避免跨簇插值产生无效合成点
实操建议：先用 sklearn.neighbors.NearestNeighbors(n_neighbors=10).fit(X_minority) 跑一遍，检查返回的 distances[:, 1]（即最近邻距离）的分布。若 75% 分位数 > 整体特征范围的 1/3，说明局部密度低，应减小 k。
自定义 SMOTE 时必须重写的三个关键逻辑
当你需要控制合成过程（比如只在特定特征子空间插值、过滤掉高杠杆样本），不能只改 random_state 或 sampling_strategy，必须动底层逻辑：
- 替换距离度量：把
NearestNeighbors(metric='euclidean')换成metric='manhattan'或自定义函数，尤其适用于稀疏二值特征（如用户行为序列 one-hot） - 限制插值方向：在计算
dif = X[nn] - X[i]后，加掩码，例如只允许在['income', 'age']这两列上插值，其余列保持原值 - 引入置信过滤：对每个合成样本
x_new，用训练好的孤立森林（IsolationForest）打分，丢弃异常得分 > 0.5 的样本，防止噪声扩散
注意：imblearn 的 SMOTE 类不支持传入自定义距离函数或插值掩码，必须继承并重写 _generate_samples 方法，且要确保 fit_resample 中调用的是你重载后的版本。
真正难的从来不是“怎么调出合成样本”，而是判断哪些样本值得被合成、在哪个子空间里合成才不会扭曲决策边界——这需要你打开 distances 和 indices 看原始近邻结构，而不是只盯着最终的 X_resampled.shape。
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！
