class_weight≠代价敏感学习，因其仅按类别频率倒数加权，而代价敏感需显式建模错判代价；应通过sample_weight、CostSensitiveClassifier或XGBoost自定义目标函数实现。
为什么 class_weight 不等于代价敏感学习？
很多人以为给 sklearn 分类器传个 class_weight="balanced" 就算做了代价敏感学习——其实这只是对类别频率做倒数加权，没真正建模「错判不同类别的实际业务代价」。真正的代价敏感学习需要你明确指定：把正类判成负类（假阴性）比把负类判成正类（假阳性）贵 5 倍？还是反过来？这得靠显式代价矩阵或样本级权重来驱动模型优化目标。
用 sample_weight 手动注入代价信号
这是最直接、兼容性最强的方式，适用于几乎所有 sklearn 分类器（LogisticRegression、RandomForestClassifier、SVC 等）。核心思路是：对每个样本，按其真实标签和你定义的误判代价，算出它在损失函数里的相对重要性。
- 假设二分类，标签为
y=0（负类）和y=1（正类），你定义代价：C(1→0)=10（漏检正样本代价高），C(0→1)=2（误报代价低） - 那么每个样本的
sample_weight可设为：C(y_true → y_pred_wrong)，但训练时我们不知道y_pred_wrong，所以退而求其次——对所有y=1样本赋予权重10，所有y=0样本赋予权重2 - 代码上就是：
sample_weight = np.where(y == 1, 10, 2)，然后传给fit(X, y, sample_weight=sample_weight)
注意：这个权重不是“让模型多学正样本”，而是告诉模型“判错一个正样本，惩罚力度是判错负样本的 5 倍”。效果比 class_weight 更可控，但需你提前量化代价。
用 imblearn 的 CostSensitiveClassifier 做封装
如果你不想手动算权重，imbalanced-learn（imblearn）提供了更贴近代价敏感定义的封装器：CostSensitiveClassifier。它内部基于代价矩阵重采样 + 集成，适合代价不对称极强的场景。
立即学习“Python免费学习笔记（深入）”；
- 安装：
pip install imbalanced-learn - 代价矩阵格式是二维数组：
cost_matrix[i][j]表示真实为类i却被预测为类j的代价；对角线应为 0（正确预测无代价） - 例如二分类：
cost_matrix = [[0, 2], [10, 0]]表示0→1代价为 2，1→0代价为 10 - 用法：
clf = CostSensitiveClassifier(estimator=RandomForestClassifier(), cost_matrix=cost_matrix)，再调用fit
缺点是它底层依赖重采样，可能放大噪声；且不支持所有 estimator（比如不兼容 XGBoost 原生接口）。
绕过 sklearn：用 XGBoost / LightGBM 的 scale_pos_weight 或自定义目标函数
树模型框架原生支持代价建模，比 sklearn 更灵活。XGBoost 的 scale_pos_weight 是简化版代价控制，只适用于二分类且仅调节正负样本梯度比例；真要精细控制，得写自定义损失函数。
-
scale_pos_weight值 ≈ 负样本数 / 正样本数 ×（正类误判代价 / 负类误判代价），但它仍是启发式，不改变 Hessian - LightGBM 支持
focal_loss类似机制，但更推荐用objective='custom'+ 自定义 gradient/hessian：在梯度里嵌入代价项，例如对正样本错判，梯度放大 10 倍 - 示例片段（XGBoost）：
def custom_obj(y_pred, dtrain): y_true = dtrain.get_label() grad = np.zeros(len(y_true)) hess = np.zeros(len(y_true)) for i in range(len(y_true)): if y_true[i] == 1 and y_pred[i] < 0.5: # 漏检 grad[i] = -10 * (1 - y_pred[i]) elif y_true[i] == 0 and y_pred[i] > 0.5: # 误报 grad[i] = y_pred[i] hess[i] = y_pred[i] * (1 - y_pred[i]) return grad, hess
自定义目标函数威力大，但也容易写错梯度导致收敛失败；上线前务必用小数据验证梯度数值近似是否匹配。
真正难的不是怎么写代码，而是把业务里的“漏检一个客户流失要损失 2 万”“误推营销给沉默用户会降低品牌信任”这种模糊表述，翻译成可计算的、一致的、可验证的代价数字——这个过程没法交给算法库自动完成。
