机器学习分类：过采样训练集后如何评估模型性能？

• 绝对不能用过采样后的训练集做最终性能评估
  过采样是给训练阶段“加餐”——人为重复少数类样本，帮模型更好捕捉这类样本的特征，但过采样后的训练集已经偏离了真实数据分布。如果拿它来计算准确率、精确率、F1值等指标，结果会严重虚高，因为模型早就见过这些重复的样本了，相当于对着答案做题，完全反映不了真实能力。
• 必须只用原始划分的测试集评估
  测试集从一开始就和训练集分开，保留了真实的数据分布，只有用它算出的各项指标，才能代表模型在实际场景下的表现。这是评估模型性能的核心原则——测试集必须完全独立于训练过程的任何操作（包括过采样、特征提取）。
• 额外提醒：特征提取的边界要守好
  你是基于过采样后的训练集提取特征，这里要注意：所有特征提取的规则（比如特征选择的阈值、特征转换的参数）都只能从训练集（过采样后的）里推导，测试集必须严格套用这些规则来转换，不能单独对测试集做特征提取的调整，否则会造成数据泄露，同样会让评估结果失真。

内容的提问来源于stack exchange，提问作者Louise