分层 K 折不是这里的答案。

为此目的创建过采样 k-fold 类的代码示例：

class oversampled_Kfold():
    def __init__(self, n_splits, n_repeats=1):
        self.n_splits = n_splits
        self.n_repeats = n_repeats

    def get_n_splits(self, X, y, groups=None):
        return self.n_splits*self.n_repeats

    def split(self, X, y, groups=None):
        splits = np.split(np.random.choice(len(X), len(X),replace=False), 5)
        train, test = [], []
        for repeat in range(self.n_repeats):
            for idx in range(len(splits)):
                trainingIdx = np.delete(splits, idx)
                Xidx_r, y_r = ros.fit_resample(trainingIdx.reshape((-1,1)), 
y[trainingIdx])
                train.append(Xidx_r.flatten())
                test.append(splits[idx])
        return list(zip(train, test))
...
...
rkf_search = oversampled_Kfold(n_splits=5, n_repeats=2)
...
output = cross_validate(clf,x,y, scoring=metrics,cv=rkf)

ros 是 imblearn 的随机过采样器。

添加到Himanshu Rai所说的内容中，您应该注意不要在 StratifiedKFold 之前进行过度采样，一旦您冒险将相同的样本放入训练和测试折叠中，请检查此，（您从中获取图像的位置）并且这并不是真的评估您的模型对从未见过的数据的能力。我所做的是使用 StratifiedKFold，然后只查看该折叠的训练数据，然后分别对所有训练折叠进行过采样或 SMOTE（或任何你想要的）。然后使用所有这些折叠来验证您的模型。

使用分层 K-Fold 交叉验证，它试图平衡每个折叠的正负类的数量。请在此处查找文档和示例。如果它仍然不能解决您的不平衡问题，请查看 SMOTE 算法，这是一个 scikit learn 的实现。