Imbalanced Data Handling（不平衡数据处理）

1. 解决的问题

流失率 5%，直接用 XGBoost 训练，Recall 只有 0.3——70% 的流失用户没被识别

2. 核心算法逻辑

解决"少数类样本太少，模型学不到东西"的问题。在母婴电商中，流失（5%）、欺诈（<1%）、高价值转化（3%）都是典型不平衡场景。常规模型在不平衡数据上会偏向多数类，导致 Recall 极低。

3. 业务应用场景

业务问题：流失率 5%，直接用 XGBoost 训练，Recall 只有 0.3——70% 的流失用户没被识别。需要至少 0.8 Recall 才能触发有效的挽留策略。

数据要求：100,000 条用户特征 + 流失标签。需对比 4 种方案：Baseline / SMOTE / Class Weight / SMOTE + Tomek Links

预期产出： - Baseline: Recall=0.30, Precision=0.45 - SMOTE: Recall=0.75, Precision=0.35 - Class Weight: Recall=0.78, Precision=0.38 ← 最优 - SMOTE+Tomek: Recall=0.72, Precision=0.33

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：流失预测场景 Recall 从 0.3 提升到 0.78，月增收 $144,000；欺诈检测场景减少误拦截挽回 $15,000/月。年化贡献 150-300 万元。
• 实施难度：⭐⭐☆☆☆（2 星）— imbalanced-learn + sklearn API 一致，但需要反复实验找最优组合
• 优先级评分：⭐⭐⭐⭐⭐（5 星）— 母婴电商中流失、欺诈、稀有事件场景极多，是模型落地的核心瓶颈
• 评估依据：Model Evaluation + CV 确保你"知道模型不好"，Imbalanced Data Handling 让你"能做点什么来改善"。三者构成 ML 基础的质量闭环

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Imbalanced Data Handling Toolkit
不平衡数据处理工具集 — 重采样 / 类别权重 / 阈值调优

适用场景：流失预测、欺诈检测、稀有事件预警
"""

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
from sklearn.metrics import classification_report, roc_auc_score
from imblearn.over_sampling import SMOTE, BorderlineSMOTE
from imblearn.under_sampling import RandomUnderSampler
from imblearn.combine import SMOTEENN, SMOTETomek
from typing import Dict, Tuple, List


def compare_imbalance_strategies(
    X: np.ndarray,
    y: np.ndarray,
    model=None,
    verbose: bool = True
) -> pd.DataFrame:
    """
    对比多种不平衡处理策略的效果
    
    Args:
        X: 特征矩阵
        y: 标签 (0/1)
        model: 基础模型（默认 XGBoost）
    
    Returns:
        DataFrame: 各策略的 Recall/Precision/F1/AUC 对比
    """
    model = model or XGBClassifier(random_state=42, eval_metric='logloss')
    pos_ratio = y.mean()
    
    strategies = {
        'Baseline (No Treatment)': None,
        'Class Weight (balanced)': 'balanced',
        'SMOTE': SMOTE(random_state=42),
        'Borderline SMOTE': BorderlineSMOTE(random_state=42),
        'SMOTE + Tomek Links': SMOTETomek(random_state=42),
        'SMOTE + ENN': SMOTEENN(random_state=42),
    }
    
    results = []
    for name, strategy in strategies.items():
        X_res, y_res = X, y
        
        if strategy == 'balanced':
            m = XGBClassifier(random_state=42, scale_pos_weight=(1-pos_ratio)/pos_ratio, 
                              eval_metric='logloss')
        elif strategy is not None:
            X_res, y_res = strategy.fit_resample(X, y)
            m = XGBClassifier(random_state=42, eval_metric='logloss')
        else:
            m = XGBClassifier(random_state=42, eval_metric='logloss')
        

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。