Découpage train/test stratifié

Découpage stratifié : chaque classe est mélangée avec un PRNG semé (mulberry32), puis ses membres sont répartis entre les splits au plus grand reste — les proportions par classe suivent le dataset ; le mode k-fold suit la sémantique StratifiedKFold : après mélange, attribution round-robin (le membre j va au pli j mod k). SMOTE (Chawla et al. 2002) en aperçu sur le train uniquement : pour une instance minoritaire xi on prend un de ses k=5 voisins minoritaires xz et on synthétise xnew = xi + λ·(xz − xi), λ∈U(0,1), sur les colonnes numériques (distance euclidienne). La graine garantit la reproductibilité (flux différent du PCG64 de numpy, comportement équivalent et documenté). Classes rares : avertissement si une classe compte moins d'échantillons que de splits ; en k-fold, k au-delà de la classe minimale est rejeté comme le fait sklearn.