一、class_weight :
分类模型中各种类型的权重，可以不输入，即不考虑权重，或者说所有类型的权重一样。
- 手动输入各个类型的权重：
比如对于0,1的二元模型，定义class_weight={0:0.8, 1:0.2}，即表示类型0的权重为80%，而类型1的权重为20%. - 选择balanced：
类库根据训练样本量计算权重，表示样本数目越多，权重越小，样本数越少，权重越大。
计算方法如下：n_samples / (n_classes * np.bincount(y))
n_samples为样本数，n_classes为类别数量，np.bincount(y)会输出每个类的样本数，例如y=[1,0,0,0,0],则np.bincount(y)=[4,1]
什么场景下用class_weight?
(1) 误分类代价高：
如信用卡欺诈、乳腺癌检测等（将欺诈和阳性设为label 1），可适当提高label 1的权重
(2) 样本高度不平衡：
比如信用卡欺诈场景中，正常交易有280000次，欺诈有28次。如果不考虑权重，则将所有测试集都预测为正常交易，这样预测准确率理论上将大于99.99%，但是却没有任何意义。这时，可以选择balanced，让类库自动提高欺诈交易样本的权重
样本高度不平衡的情况还可以考虑参数sample_weight
二、sample_weight (fit函数的参数)
当样本是高度失衡的，导致样本不是总体样本的无偏估计，从而可能导致模型预测能力下降。这种情况，可以通过调节样本权重来尝试解决这个问题。
调节样本权重的方法有两种：
（1）在class_weight使用balanced。
（2）调用fit函数时，通过sample_weight来调节每个样本权重。
在scikit-learn做逻辑回归时，如果上面两种方法都用到了，那么样本的真正权重是class_weight*sample_weight.
