不平衡类绝对是一个用例，另一个目的是成本敏感学习，其中每个类错误分类的成本是不同的。特别是 scikit-learn 为每个样本赋予权重，因此它具有更大的灵活性。

样本权重改变了每个样本被输入模型训练的概率。例如，我们有 4 个A, B, C, D带有权重的样本$1, 2, 3, 4$，这意味着我们的模型拟合样本的概率是样本的两倍，拟合样本的概率是B样本A的 3 倍。CA

当您想知道这样做的目的是什么时，让我们想象一下我们的模型在输入不同权重的样本时会变成什么。

示例：榴莲世界

如果你出生在一个到处都是榴莲的国家，长大后，“水果”这个词的意思是闻起来很糟糕，但我们都知道大多数水果闻起来很香。

机器学习模型也是如此，当我们的模型无法识别榴莲时，只需喂更多榴莲（增加体重，因为我们生活中的榴莲比苹果或香蕉少）。这就是所谓的“不平衡类”的情况。

什么时候（如果）你非常讨厌榴莲（假设你闻到榴莲会死），但你不能很好地识别榴莲，如何让你活下来？只喂更多的榴莲和非榴莲样品，你可能会失去区分苹果和香蕉的能力，但你会活下来。这就是所谓的“成本敏感”的情况。