Передискретизация SMOTE создает новые точки данных

Я пытаюсь решить проблему несбалансированной классификации, все входные функции категоричны. Вот количество значений каждой функции:

 for i in X_train.columns:
    print(i+':',X_train[i].value_counts().shape[0])

 Pclass: 3
 Sex: 2
 IsAlone: 2
 Title: 5
 IsCabin: 2
 AgeBin: 4
 FareBin: 4

Применение SMOTE к обучающим данным после train_test_split. Создаются новые значения, которых нет в наборе данных X_train.

 from imblearn.over_sampling import SMOTE
 from collections import Counter
 #removing the random_state dosent help
 sm = SMOTE(random_state=0)
 X_res, y_res = sm.fit_resample(X_train, y_train)
 print('Resampled dataset shape %s' % Counter(y_res))

 Resampled dataset shape Counter({1: 381, 0: 381})

Подсчет значений повторно дискретизированного набора данных:

 Pclass: 16
 Sex: 7
 IsAlone: 2
 Title: 12
 IsCabin: 2
 AgeBin: 4
 FareBin: 4

С помощью SMOTE создаются новые значения, это также имело место при создании новых значений under_sampling. Эти новые значения отсутствуют в тестовом наборе данных.

Пример:

X_train-Pclass 1-20,2-15,3-40
X_res-Pclass 1-20,0.999999-3,2-11,1.9999999-4,3-34,2.9999999-6

Мой вопрос:

1. Почему создаются эти ценности и имеют ли они какое-то значение?

2. Как с ними бороться? Должен ли я просто округлить их или удалить их

3. Есть ли способ выполнить избыточную или недостаточную выборку без создания этих новых значений?