Train/Test-Split mit Stratifizierung

Stratifizierter Split: Jede Klasse wird mit einem gesäten PRNG (mulberry32) gemischt, dann werden die Mitglieder per größtem Rest auf die Splits verteilt — die Klassenanteile folgen dem Dataset; der k-fold-Modus folgt der StratifiedKFold-Semantik: nach dem Mischen Round-Robin-Zuweisung (Mitglied j → Fold j mod k). SMOTE (Chawla et al. 2002) nur als Vorschau auf dem Train-Split: Für eine Minderheitsprobe xi wird einer ihrer k=5 Minderheitsnachbarn xz gewählt und xnew = xi + λ·(xz − xi) synthetisiert, λ∈U(0,1), über numerische Spalten (euklidischer Abstand). Der Seed garantiert Reproduzierbarkeit (anderer Strom als numpys PCG64, gleichwertiges, dokumentiertes Verhalten). Seltene Klassen: Warnung, wenn eine Klasse weniger Samples als Splits hat; im k-fold wird k über der kleinsten Klasse wie bei sklearn abgelehnt.