sklearn里有哪些方法是可以处理不均衡的分类问题的？

通过欠采样、过采样等方法来调整样本分布，可以参考imbalance包

调整样本权重，可以调整类似Logistic Regression中的class_weight参数来调整不同类别样本对损失函数影响的大小。

如有错误，欢迎指出。

sklearn只是工具，很多时候需要自己去完成一些步骤来处理非均衡问题。

比如欠采样、过采样，训练时候的权重，交叉验证的时候进行分层验证。

选用适合的损失函数和评价标准也是很重要的，比如用roc auc以及召回-精度曲线。

在选择train和test集合时，sklearn就已经考虑到了不均衡性，参见函数说明

https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html

stratify : array-like or None (default=None)

If not None, data is split in a stratified fashion, using this as the class labels.