这是个很典型的时间序列+类别不平衡混合问题——季节性带来的不是普通的正负样本不均，而是和时间强绑定的分布偏移：旺季（12月）的正样本密度和淡季完全不是一个量级，直接用普通方法肯定会让模型“躺赢”在旺季，淡季彻底失效。分享几个我实际项目里用过的有效方案：

一、先从数据层面“对齐”分布，别急着改目标变量 #

• 时间感知的分层采样与交叉验证
  普通的随机采样/拆分，要么会让训练集塞满12月的样本，模型学不到淡季的模式；要么验证集里没几个淡季正样本，根本测不出真实性能。一定要做按月份分层的时间序列交叉验证：比如用TimeSeriesSplit的时候，每个fold里都保留所有月份的样本，尤其是要保证非12月的正样本（购买用户）在训练和验证集中都有足够的占比。比如你有5年数据，可以按年拆分，每个训练集包含前4年的所有月份，验证集用第5年的每个月份单独测试，这样能清晰看到模型在每个月的表现。
• 把季节性特征“喂透”给模型
  别让模型自己猜“什么时候是旺季”，直接把时间维度的特征做细：
  • 月份的one-hot编码或者目标编码（目标编码可以结合该月份的历史购买率）；
  • 距离12月的天数/周数（比如11月1日距离12月1日是30天，这个特征能捕捉到旺季前的预热期）；
  • 用户的历史购买时间特征（比如该用户过去2年的12月是否购买过，或者最近一次购买的月份）；
  • 当年的促销日历特征（比如是否在黑五、圣诞促销期内）。

二、针对不平衡的处理，要结合时间特性 #

• 加权损失函数（最推荐）
  普通的交叉熵损失会让模型偏向于预测“不购买”（因为淡季负样本太多），或者只在12月预测“购买”。给不同月份的正样本设置不同的权重：比如计算每个月份的正样本占比，权重设为1/该月正样本占比，这样非12月的正样本权重会远高于12月，强迫模型去学习淡季的购买模式。举个例子，如果12月正样本占比是10%，非12月是0.5%，那非12月正样本的权重就是200，12月是10，这样模型会更重视淡季的少数正样本。
• 时间安全的过采样/欠采样
  不要用普通的SMOTE（会破坏时间序列的顺序，引入数据泄露），而是：
  • 过采样：只在同一个月份内对正样本进行过采样（比如复制非12月的正样本，或者用SMOTE在同月份的特征空间内生成合成样本）；
  • 欠采样：适当减少12月的负样本（没购买的用户），但要保留足够的负样本以学习旺季的“不购买”模式，比如把12月的负样本按1:5的比例和正样本混合。

三、目标变量要不要调整？看业务需求 #

• 不建议直接修改原始目标变量：如果你的核心需求是“预测任意月份客户是否会购买该产品”，修改目标变量（比如改成“年度是否购买”）会偏离业务目标。
• 分场景建模（更实用）：训练两个独立模型：一个专门处理12月的数据，一个处理非12月的数据。这样每个模型都是在同分布的数据上训练，避免了跨季节的分布偏移问题。之后可以做一个简单的路由逻辑：根据当前月份调用对应的模型。
• 可选：调整目标定义（如果业务允许）：比如把目标改成“客户在接下来3个月内是否会购买该产品”，这样能平滑季节性的影响——比如11月的样本会包含12月的购买行为，淡季的样本也能覆盖到旺季的购买，适合做长期客户分层的场景。

四、评估时一定要按月份拆分，别只看整体指标 #

• 不要只看整体的准确率、F1-score，要按每个月份单独计算精确率、召回率、F1，确保淡季的性能达标。比如如果整体F1是0.8，但非12月的召回率只有0.1，那模型根本没解决你的问题。
• 用时间序列验证集：比如用2018-2021年的数据训练，2022年每个月的数据做验证，看模型在2022年1-11月和12月的表现是否一致，这样的评估结果才是真实可靠的。

内容的提问来源于stack exchange，提问作者J.K.