从 sklearn 的文档中，

“平衡”模式使用 y 的值自动调整权重，与输入数据中的类频率成反比，如 n_samples / (n_classes * np.bincount(y))

它对少数类的错误分类权重比多数类更大。该方法与重采样无关；它改为修改错误分类成本矩阵。

改变每个类的错误分类成本是一种不同于重采样方法的方法。在我看来，它不会给出与对少数类进行过采样完全相同的结果。话虽如此，这两种方法都有助于处理不平衡（或不平衡）的数据分类

是的，这些应该是相同的，当上采样导致每个样本的重复数量相同时（前提是您仅在训练集中正确地进行了上采样）。这个想法是，节点处的杂质/损失是通过类权重或重复样本数量的乘数计算的，并且这些是相同的（当权重是合理的并且进行上采样以匹配这些比率时; 否则，将在随机子样本上进行上采样，这将与加权略有不同）。

这是一个笔记本（github/colab），它显示生成的模型是相同的，至少在一个小型玩具示例中是相同的。（请注意，一开始我也复制了一些多数类，因此不平衡比率是整数，我可以很好地将少数类上采样到相等的大小。）