小编Ste*_*eph的帖子

当使用不平衡的数据集（例如欺诈检测）执行分类（例如，逻辑回归）时，最好在对少数类进行过采样之前对特征进行缩放/zscore/标准化，还是在缩放特征之前平衡类？

其次，这些步骤的顺序是否会影响最终解释特征的方式（当使用所有数据，缩放+平衡，训练最终模型时）？

下面是一个例子：

先缩放：

1. 将数据拆分为训练/测试折叠
2. 使用所有训练（不平衡）数据计算均值/标准；使用这些计算缩放训练数据
3. 对训练数据中的少数类进行过采样（例如，使用 SMOTE）
4. 将逻辑回归模型拟合到训练数据
5. 使用均值/标准计算来缩放测试数据
6. 用不平衡的测试数据预测类别；评估acc/召回/精度/auc

先过采样

1. 将数据拆分为训练/测试折叠
2. 对训练数据中的少数类进行过采样（例如，使用 SMOTE）
3. 使用平衡的训练数据计算平均值/标准；使用这些计算缩放训练数据
4. 将逻辑回归模型拟合到训练数据
5. 使用均值/标准计算来缩放测试数据
6. 用不平衡的测试数据预测类别；评估acc/召回/精度/auc