我决定使用Sklearn的Pipeline类来确保我的模型不会受到数据泄露的影响。

然而，我的多类分类数据集极度不平衡（3个类别），因此需要实施数据集平衡。但是，我已经进行了充分的研究，但无法找到关于何时以及如何进行数据集重新平衡步骤的答案。它应该在缩放之前还是之后进行？应该在训练/测试分割之前还是之后进行？

为了简化起见，我不会使用SMOTE，而是使用随机少数类上采样。任何回答都将不胜感激。

我的代码如下：

#所有必要的包已经导入x = df['MACD', 'MFI', 'ROC', 'RSI', 'Ultimate Oscillator', 'Williams %R', 'Awesome Oscillator', 'KAMA',     'Stochastic Oscillator', 'TSI', 'Volume Accumulator', 'ADI', 'CMF', 'EoM', 'FI', 'VPT','ADX','ADX Negative',     'ADX Positive', 'EMA', 'CRA']y = df['Label']X_train, X_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)pipe = Pipeline([('sc', StandardScaler()),                  ('svc', SVC(decision_function_shape = 'ovr'))])candidate_parameters = [{'C': [0.0001, 0.001, 0.01, 0.1, 1, 2, 3],                         'gamma': [0.0001, 0.001, 0.01, 0.1, 1, 2, 3], 'kernel': ['poly']                         }]clf = GridSearchCV(estimator = pipe, param_grid = candidate_parameters, cv = 5, n_jobs = -1)clf.fit(X_train, y_train)

回答：

你需要在训练/测试分割之后进行重新平衡。在现实世界中，你不知道测试集会是什么，所以最好保持原始数据。你可以只重新平衡训练集以学习更好的模型，然后在原始测试数据集上进行测试。（你也可以保持验证集的原始状态）