警告：我知道不平衡的数据问题是一匹死马，但我还没有直接找到这种味道的答案。

在处理高度不平衡的数据（例如二元类案例）时，普遍的看法是尝试对少数类的上采样、多数类的下采样、两者的某种组合或类似 SMOTE 的方法进行训练。如果接受默认模型阈值并针对基于矩阵的指标（如准确率或 f1）进行调整，这样做的潜在收益是显而易见的。然而...

根据我的经验，如果一个人首先针对阈值不变的指标（如 ROC AUC 或 PR AUC 或类似的）进行优化，然后调整阈值以满足特定的业务需求，那么重新采样会迅速失去其好处，而且往往弊大于利。

考虑到上述策略，平衡类数据（或其各种风格）的普遍智慧是民俗吗？如果没有，在什么情况下人们通常应该期望它有帮助，在什么情况下会伤害？