imbalanced-learn

收录理由

当数据中某一类样本远多于另一类时，多数分类器会悄悄偏向预测多数类，导致少数类几乎被忽略。imbalanced-learn正是为扭转这一局面而生。它内嵌于scikit-learn生态，熟悉sklearn的fit/predict用法的团队，无需学习新框架，就能直接引入SMOTE、ADASYN以及随机欠采样或过采样等重采样与集成方法。其API与sklearn高度一致，可轻松嵌入现有流水线和交叉验证流程。在欺诈检测、医疗诊断、客户流失预测等场景中，罕见样本往往才是关键，该库的用户指南和示例库能帮助使用者制定合理策略。它是一款专注而成熟的工具，而非庞杂的框架，适合那些瓶颈在于类别失衡而非模型架构的团队。