怎么在Python环境下针对不平衡数据集进行SMOTE过采样处理？
作者：袖梨
2026-07-13
使用SMOTE前需确保数据干净且类型正确：X必须为二维数值型数组，剔除非特征列、编码分类变量、处理缺失值；k_neighbors应小于少数类样本数，random_state需固定；训练测试集须严格分离，仅对训练集重采样，并验证合成样本分布合理性。
直接用 SMOTE 前必须确保数据干净且类型正确
很多人在调用 fit_resample() 时直接报错，比如 ValueError: Expected 2D array, got 1D array instead 或 TypeError: A sparse matrix was passed, but dense data is required，根本原因不是SMOTE本身有问题，而是输入数据没准备好。
-
X必须是二维数组（pandas.DataFrame或numpy.ndarray），不能是pandas.Series或一维向量 - 所有列必须是数值型——分类变量（如
gender、product_type）必须先做pd.get_dummies()或OneHotEncoder编码，不能留object类型 - 缺失值要提前处理：
SMOTE不接受NaN，否则会抛出ValueError: Input contains NaN - 避免混入 ID、时间戳、文本等非特征列——这些列在
X中必须被drop()掉，否则插值结果无意义
SMOTE(random_state=42, k_neighbors=5) 的参数怎么选
k_neighbors 是最常被忽略但影响极大的参数。默认值是 5，但它不是万能的：当少数类样本总数 k_neighbors 时（比如只有 3 个欺诈样本），SMOTE 会直接报错 ValueError: Expected n_neighbors <= n_samples。
- 若少数类样本数 < 20，建议设
k_neighbors=3或2；太小会导致合成样本多样性下降，太大则无法运行 -
random_state必须固定，否则每次运行生成的合成样本不同，模型无法复现 - 不要盲目增大
k_neighbors来“提高质量”——邻居范围过大，可能把分布边缘甚至噪声点拉进来，反而稀释少数类真实模式 - 如果特征维度很高（>50），考虑先用
PCA降维再跑SMOTE，否则欧氏距离失效，邻居选择失真
训练集和测试集必须严格分离，不能对全量数据用 fit_resample()
这是线上模型崩坏的最高发原因。有人把整个 df 丢进 SMOTE，再切训练/测试集，导致测试集里混入了基于自身信息合成的“假样本”，评估结果严重虚高。
- 务必先用
train_test_split(..., stratify=y)切分，再只对X_train和y_train调用smote.fit_resample() -
y_test绝对不能参与任何重采样——它必须保持原始分布，才能反映真实业务场景下的泛化能力 - 如果要用交叉验证，得把
SMOTE包进Pipeline，确保每次 fold 的重采样独立发生在训练折内 - 注意：
stratify=y参数不能省，否则切分后训练集可能不含少数类样本，后续SMOTE直接失败
过采样后别只看 value_counts() 就以为万事大吉
分布数字平衡了，不代表模型效果就变好。常见陷阱是合成样本挤在少数类边界附近，导致决策面被强行“撑开”，反而降低鲁棒性。
立即学习“Python免费学习笔记（深入）”；
- 用
scatter_matrix或 PCA 投影画图，观察合成样本是否明显偏离原始少数类簇（尤其是离群点附近大量聚集） - 检查
SMOTE后的X_res是否出现极端异常值——插值本身不会越界，但如果原始数据有未清洗的离群点，合成点可能放大其影响 - 务必用
classification_report(y_test, y_pred)对比召回率（recall）和 F1，而不是准确率（accuracy）；前者才反映对少数类的真实捕捉能力 - 如果合成后模型在验证集上
precision暴跌（比如从 0.8 降到 0.3），说明新样本引入了大量误判风险，应降低采样比例或换用ADASYN
