问题现象与诊断
在使用imbalanced-learn库进行类别不平衡数据处理时，开发者经常遇到sample_get_params()返回空字典的情况。该问题多发生于以下场景：
- 继承自
BaseSampler的自定义采样器未正确定义__init__参数 - 使用
make_pipeline组合采样器时参数传递异常 - sklearn版本与imbalanced-learn存在兼容性问题（常见于0.24+版本）
核心解决方案
1. 显式参数声明
from imblearn.over_sampling import SMOTE
sampler = SMOTE(k_neighbors=5)
print(sampler.get_params()) # 必须显式设置非默认参数2. 自定义采样器规范
实现自定义采样器时需确保：
- 所有参数在
__init__中声明 - 调用
super().__init__()继承基类参数 - 使用
@property装饰器处理动态参数
3. 管道参数提取
对于机器学习管道中的采样器，使用深度参数提取：
from sklearn.pipeline import Pipeline
pipe = Pipeline([
('smote', SMOTE()),
('clf', RandomForestClassifier())
])
print(pipe.named_steps['smote'].get_params())高级调试技巧
| 方法 | 命令示例 | 适用场景 |
|---|---|---|
| 源码断点调试 | import pdb; pdb.set_trace() |
复杂继承关系排查 |
| 参数继承检查 | print(sampler.__dict__) |
自定义采样器开发 |
版本兼容性处理
当遇到跨版本兼容性问题时，建议：
- 固定sklearn版本≤0.23.2
- 升级imbalanced-learn至0.8.0+
- 检查
get_params()的deep参数是否生效
最佳实践建议
推荐采用参数验证装饰器来预防问题：
from functools import wraps
def validate_params(func):
@wraps(func)
def wrapper(self, *args, **kwargs):
if not hasattr(self, '_params'):
self._params = {k: v for k, v in
self.__dict__.items()
if not k.startswith('_')}
return func(self, *args, **kwargs)
return wrapper