Divisor train/test con estratificación

División estratificada: cada clase se baraja con PRNG sembrado (mulberry32) y sus miembros se reparten entre splits por mayor resto, de modo que las proporciones por clase sigan al dataset; el modo k-fold sigue la semántica de StratifiedKFold: tras barajar cada clase, asignación round-robin (el miembro j va al fold j mod k). SMOTE (Chawla et al. 2002) solo como vista previa sobre el split de train: para una muestra minoritaria xi se toma uno de sus k=5 vecinos minoritarios xz y se sintetiza xnew = xi + λ·(xz − xi), λ∈U(0,1), usando solo columnas numéricas (distancia euclídea). La semilla garantiza reproducibilidad (flujo distinto al PCG64 de numpy, comportamiento equivalente y documentado). Protección de clases raras: aviso cuando una clase tiene menos muestras que splits; en k-fold, si k supera el tamaño de la clase mínima se rechaza como hace sklearn.