sklearn中支持class_weight的分类器包括logisticregression、svc（需probability=true）、randomforestclassifier、decisiontreeclassifier、adaboostclassifier（基估计器需支持）；不支持的有kneighborsclassifier、gaussiannb。
sklearn中哪些分类器支持class_weight参数
不是所有scikit-learn分类器都支持class_weight，它只对实现了fit()且明确声明支持该参数的模型生效。常见支持的有：SVC（需启用probability=True）、LogisticRegression、RandomForestClassifier、DecisionTreeClassifier、AdaBoostClassifier（仅当基估计器支持时）。不支持的包括KNeighborsClassifier、GaussianNB（得用sample_weight或重采样替代）。
class_weight='balanced'到底怎么算的
它不是简单按反比缩放，而是按公式：n_samples / (n_classes * n_samples_in_class)。比如二分类中正样本占5%，那正类权重≈10，负类≈1.05——注意这个“1.05”容易被忽略，但它会影响整体损失尺度，尤其在和penalty参数交互时。如果你手动传字典，比如{0: 1, 1: 10}，权重是直接乘到每个样本的损失上，不归一化。
常见错误现象：class_weight='balanced'后模型预测全为多数类——大概率是因为数据没标准化（如LogisticRegression对特征尺度敏感），或正则太强压垮了少数类梯度。
什么时候该用class_weight而不是重采样
class_weight本质是加权损失，不改变训练集分布，适合以下场景：
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 数据量大，重采样（如SMOTE）太慢或引入噪声
- 你信任原始样本分布，只想调整优化目标，而非伪造新样本
- 部署时希望保留原始推理逻辑，避免重采样带来的特征工程耦合
但要注意：class_weight对树模型（如RandomForestClassifier）作用有限——它只影响每个树节点分裂时的不纯度计算方式（如加权基尼系数），不改变bootstrap抽样过程；而对线性模型和SVM这类基于梯度/距离的模型效果更直接。
验证时别忘了用正确指标
设置了class_weight后，准确率（accuracy）很可能下降——这反而是好事，说明模型不再一味偏向多数类。必须看f1-score（尤其是average='macro'）、recall（少数类召回率）、precision_recall_curve或confusion_matrix。用cross_val_score时务必指定scoring='f1_macro'，否则默认的accuracy会掩盖问题。
容易被忽略的一点：class_weight不影响预测概率的校准。如果需要可靠概率输出（比如用于阈值调优），得额外套一层CalibratedClassifierCV，否则predict_proba可能严重偏移。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
