该用SMOTE+RandomUnderSampler组合时：少数类样本50–500、特征维度
什么时候该用 SMOTE + RandomUnderSampler 组合
单独用 SMOTE 容易让少数类过拟合边界噪声，尤其在高维稀疏特征或类别重叠严重时；只用 RandomUnderSampler 又可能丢掉多数类关键分布信息。混合策略适合：少数类样本量在 50–500 之间、特征维度中等（
- 先过采样再欠采样是主流顺序，因为
SMOTE生成的新样本需要被后续欠采样“筛选”一次，避免冗余 - 切忌反过来：先欠采样会缩小多数类分布范围，再用
SMOTE插值可能加剧类间混淆 - 目标采样比例建议设为
0.7–0.9（少数类:多数类），而非强行 1:1——真实业务中 1:1 往往导致阈值偏移和线上 F1 下降
用 imblearn 实现 SMOTE + RandomUnderSampler 的关键参数
核心是用 imblearn.pipeline.SMOTEENN 或手动串起两个步骤。推荐手动组合，便于调试中间状态：
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler
from imblearn.pipeline import Pipeline
<p>smote = SMOTE(sampling_strategy=0.6, k_neighbors=3, random_state=42)
rus = RandomUnderSampler(sampling_strategy=0.8, random_state=42)
pipeline = Pipeline([('smote', smote), ('rus', rus)])
X_res, y_res = pipeline.fit_resample(X_train, y_train)</p>
-
sampling_strategy是比例（float）而非数量，0.6 表示最终少数类占多数类的 60%，不是总样本的 60% -
k_neighbors=3是安全起点；若数据噪声多，可降到 2；若边界清晰，可试 5，但超过 5 易引入离群插值 -
RandomUnderSampler的sampling_strategy必须 ≤SMOTE输出后的多数类比例，否则 pipeline 会报ValueError: After over-sampling, the number of samples...
验证混合采样是否真有效，别只看训练集准确率
训练集上准确率飙升但验证集 F1 不动，大概率是过采样引入了不可泛化的合成样本。必须检查：
- 每个采样步骤前后，用
np.bincount(y_train)打印各类样本数，确认没意外翻转主次类 - 在
SMOTE后、RUS前，用TSNE可视化前两维，观察合成点是否大量落在多数类簇内部（说明插值失效） - 用
sklearn.metrics.classification_report对验证集输出 per-class precision/recall/f1，重点关注少数类的precision是否同步提升——如果 recall↑ 但 precision↓，说明混入了太多假阳性样本
比 pipeline 更稳的替代方案：使用 SMOTETomek
SMOTETomek 内部先用 SMOTE 过采样，再用 TomekLinks 清洗邻近异类样本对，本质是“过采样 + 边界净化”，比随机欠采样更尊重原始分布：
from imblearn.combine import SMOTETomek smt = SMOTETomek(sampling_strategy=0.7, random_state=42) X_res, y_res = smt.fit_resample(X_train, y_train)
-
TomekLinks会自动删掉那些“彼此最近却属于不同类”的样本对，这对去除边界噪声特别有效 - 计算开销比
SMOTE + RUS高约 2–3 倍，但在小数据集（ - 如果你发现
SMOTE + RUS后验证集 AUC 波动大，优先换SMOTETomek，而不是调参
实际项目里，采样策略的效果高度依赖特征工程质量。没做标准化就跑 SMOTE，合成点方向会严重偏向量纲大的特征；类别标签本身有标注噪声时，任何过采样都在放大错误。先确保特征干净、标签可信，再调采样器。
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！
