Разделение train/test со стратификацией

Стратифицированное разбиение: каждый класс перемешивается засеянным PRNG (mulberry32), затем члены распределяются по сплитам методом наибольших остатков — доли классов повторяют датасет; режим k-fold следует семантике StratifiedKFold: после перемешивания класса назначение round-robin (элемент j → фолд j mod k). SMOTE (Chawla и др. 2002) — только предпросмотр на train: для миноритарного образца xi берётся один из его k=5 миноритарных соседей xz и синтезируется xnew = xi + λ·(xz − xi), λ∈U(0,1), по числовым столбцам (евклидова метрика). Зерно даёт воспроизводимость (поток отличается от PCG64 в numpy, поведение эквивалентно и задокументировано). Защита от редких классов: предупреждение, если классов меньше, чем сплитов; в k-fold при k больше минимального класса — отказ, как в sklearn.