类别不平衡导致模型倾向多数类，准确率失真；应使用F1、AUC等指标，优先在未重采样测试集上评估少数类召回率。
类别不平衡会导致哪些模型表现异常
训练集里正样本只占 2%，但模型却输出几乎全是负预测——这不是模型偷懒，是 LogisticRegression、RandomForestClassifier 这类默认不加权的算法天然倾向多数类。它们优化的是整体准确率，而准确率在极度不平衡时会严重失真。比如 98% 准确率可能只是把所有样本都判成多数类。AUC、F1、precision-recall 曲线才是更靠谱的评估指标，尤其 f1_score（需设 average='macro' 或 'weighted'）能暴露模型对少数类的真实捕捉能力。
用 imblearn 的过采样/欠采样前必须做这三件事
直接对原始数据跑 SMOTE 或 RandomUnderSampler 是危险操作。真实项目中踩坑最多的就是：没分离特征和标签、没做 train/test 切分、没对数值特征标准化。正确顺序是：
- 先用
train_test_split拆出测试集，并且stratify=y保证测试集也保持原始比例 - 只对训练集的 X_train 和 y_train 做重采样，绝不能碰测试集
- 如果用了
SMOTE，确保 X_train 中不含高基数类别特征（如 ID、文本编码），否则会生成非法合成样本；建议先用OneHotEncoder或OrdinalEncoder处理类别列，再标准化数值列
示例关键步骤：
from sklearn.model_selection import train_test_split<br>from imblearn.over_sampling import SMOTE<br><br>X_train, X_test, y_train, y_test = train_test_split(<br> X, y, test_size=0.2, stratify=y, random_state=42<br>)<br>smote = SMOTE(random_state=42)<br>X_train_res, y_train_res = smote.fit_resample(X_train, y_train)
class_weight='balanced' 背后到底做了什么
这是最轻量、最常被低估的方案。它不是改数据，而是改损失函数权重：class_weight='balanced' 等价于给每个类别 c 分配权重 n_samples / (n_classes * n_samples_c)。比如二分类中负样本占 95%，那正样本的损失权重就是约 95/5 ≈ 19 倍。几乎所有 sklearn 分类器都支持该参数，包括 SVC、DecisionTreeClassifier、GradientBoostingClassifier（注意：XGBoost/LightGBM 需用 scale_pos_weight 或 class_weight 参数，机制不同）。但要注意：它无法解决极端稀疏场景（如正样本仅 3 条），此时仍需结合采样或集成方法。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
为什么 ensemble 方法（如 BalancedRandomForest）比单模型更稳
像 imblearn.ensemble.BalancedRandomForestClassifier 这类集成器，在每棵树训练前自动对 bootstrap 样本做欠采样，既保留了随机森林的鲁棒性，又避免了全局重采样引入的过拟合风险。它比手动调 class_weight 更适应多类别、样本量波动大的场景。但代价是训练变慢、可解释性下降；若需 SHAP 或 feature_importances，得额外适配——因为底层每棵树的样本分布不一致，直接取平均重要性可能有偏。
真正难的不是选哪个方法，而是验证时是否用对了评估方式：永远在未重采样的测试集上算指标，永远避开 accuracy，永远检查混淆矩阵里少数类的召回率。否则你优化的可能只是幻觉。
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！
