sklearn分类器直接在fit()中传sample_weight即可，无需修改损失函数；LightGBM/XGBoost统一用sample_weight参数（注意DMatrix底层差异）；PyTorch需在loss中手动加权；验证阶段必须禁用权重以避免评估失真。
sklearn.fit() 传 sample_weight 就行，别碰模型内部
绝大多数场景下，你不需要改损失函数或重写训练逻辑——sklearn 系列分类器（如 LogisticRegression、RandomForestClassifier、SVC）原生支持 sample_weight 参数，直接在 fit() 时传入即可生效。
常见错误是试图手动修改 class_weight='balanced' 后再叠加 sample_weight，结果权重被重复缩放；或者误以为必须用 class_weight 才能处理不平衡，其实 sample_weight 更灵活、更可控。
-
sample_weight是长度为n_samples的数组，每个样本一个浮点数权重，越大表示该样本在损失计算中越“重要” - 类别不平衡时，通常按
n_samples / (n_classes * n_samples_in_class)给每类样本统一分配权重（即class_weight='balanced'的底层逻辑），但你可以自定义：比如给少数类样本乘以 2.5，多数类保持 1.0 - 注意：传
sample_weight后，predict_proba()和decision_function()输出不受影响，但score()默认用加权准确率（除非显式指定scoring）
LightGBM/XGBoost 用 sample_weight 参数，不是 weight 或 weights
这两个库命名不统一，容易传错参数名。LightGBM 的 train() 和 LGBMClassifier.fit() 都认 sample_weight；XGBoost 的 fit() 也叫 sample_weight，但它的底层 train() API 叫 weight——如果你手拼 DMatrix，就得用 weight 字段，而不是传参。
典型翻车点：把 Pandas DataFrame 直接喂给 XGBoost 的 fit()，同时又手动构造了 DMatrix 并设了 weight，导致权重被应用两次。
立即学习“Python免费学习笔记（深入）”；
- 用 sklearn 接口（
LGBMClassifier/XGBClassifier）就统一走sample_weight=...，别碰DMatrix - 如果必须用原生 API：LightGBM 的
lgb.Dataset用weight=...参数；XGBoost 的xgb.DMatrix构造时传weight=...，且确保该数组和数据行对齐（长度一致、顺序一致） - 权重值本身不做归一化，但极端值（比如某样本权重是其他样本的 1000 倍）会导致梯度爆炸，训练不稳定——建议先做 min-max 或 z-score 缩放
PyTorch 没有全局 sample_weight，得进 loss 函数里加
PyTorch 不像 sklearn 那样在 fit() 层抽象出权重接口，你得自己把权重塞进 loss 计算。最常用的是 nn.CrossEntropyLoss(weight=...)，但它只支持 per-class 权重，不是 per-sample。
要实现真正的 per-sample 动态权重（比如根据预测置信度、样本难度实时调整），必须用 reduction='none' + 手动加权求均值。
-
nn.CrossEntropyLoss(reduction='none')返回 shape 为(N,)的 loss 张量，每一项对应一个样本；再用sample_weight数组（Tensor）逐元素相乘，最后.mean() - 确保
sample_weight是 float 类型、设备一致（.to(device)）、形状匹配（(N,)），否则报RuntimeError: The size of tensor a (128) must match the size of tensor b (64) - 别在
forward()里加权重——那是模型结构；权重属于训练逻辑，必须出现在 loss 计算环节
权重不是万能的，过拟合少数类和评估失真最常被忽略
加了 sample_weight 后，训练 loss 看着降了，但验证集上的 f1-score 或 auc 可能反而变差——因为模型开始死磕那些高权重样本，泛化能力崩了。
另一个隐形坑：用加权后的训练集去算 validation score，会误导你认为模型变好了，其实只是指标被权重带偏了。验证/测试阶段永远该用 unweighted 指标，除非业务明确要求加权评估。
- 训练时用
sample_weight，验证时禁用（即传sample_weight=None或不传） - 如果用
class_weight='balanced'，它基于训练集统计，换数据分布后权重就失效了；动态sample_weight虽灵活，但每次都要重新设计规则（比如按预测误差加权，就得跑两轮训练） - 真正难的不是“怎么加”，而是“加多少”——没有银弹公式，得靠验证集上的
precision-recall curve或confusion matrix反复试
