最常见的方法是结合这两种策略：

1. 领域专业知识 - 给定关于数据集和模型目标的知识，选择最能处理数据以实现项目目标的顺序。

2. 经验证据 - 排列顺序和基准结果。选择在基准测试中具有最高性能的排列。

我会同意@BrianSpiering 关于一般方法的看法，并且同意你的看法，这是没有免费午餐的情况。但...

过采样似乎可以合理地适用于几乎任何地方。这可能取决于您正在执行哪种过采样。我可以看到新点弄乱了分布，从而影响了其他一切，但它也可能使其他步骤更加健壮。
（话又说回来，我仍在寻找重采样技术有助于大大超出阈值选择的示例。请参阅https://stats.stackexchange.com/questions/247871/what-is-the-root-cause-of-the-class -不平衡问题及其相关问题。）

异常值的移除应该尽早进行，因为异常值会影响偏斜/缩放校正。倾斜/缩放对我来说感觉就像是相同的过程，如果它们是单独的步骤，我怀疑它们可以按任何顺序发生。

我会在接近尾声时保留特征选择，以免忽略一个重要特征，因为它是倾斜/未缩放/易出现异常值的。（虽然特征选择方法是出了名的容易出错，所以如果移动它对于某些数据集表现更好，我不会感到惊讶。）