Divisor train/test com estratificação

Split estratificado: cada classe é embaralhada com PRNG semeado (mulberry32) e os membros distribuídos entre os splits por maior resto — as proporções por classe seguem o dataset; o modo k-fold segue a semântica do StratifiedKFold: após embaralhar, atribuição round-robin (membro j → fold j mod k). SMOTE (Chawla et al. 2002) apenas como prévia no treino: para uma amostra minoritária xi toma-se um dos seus k=5 vizinhos minoritários xz e sintetiza-se xnew = xi + λ·(xz − xi), λ∈U(0,1), nas colunas numéricas (distância euclidiana). A semente garante reprodutibilidade (fluxo distinto do PCG64 do numpy, comportamento equivalente e documentado). Classes raras: aviso quando uma classe tem menos amostras que splits; no k-fold, k acima da menor classe é rejeitado como no sklearn.