二分类任务中样本权重引发矛盾结果：低权重类精度更高

• 样本权重的核心是调整损失惩罚力度：
  当你给类别1赋予更高sample_weights时，模型错分类别1的损失会被大幅放大。为了最小化总损失，模型会尽可能避免将真实类别1的样本误判为0——代价就是会把大量真实类别0的样本“过度谨慎”地判为1。这时候类别0的精度高，是因为模型很少预测样本为0，那些被判定为0的样本几乎都是真实的0，所以精度（预测为0的样本中真实0的比例）自然很高；而类别1的精度低，是因为大量真实0被混入了预测为1的结果里。

• 精度与召回率的必然权衡：
  你想要提升类别1的精度，本质是要让模型“只在非常确定的时候才预测为1”，这就需要让模型害怕把真实0误判为1——也就是给类别0的错误分类赋予更高惩罚（即给类别0加权重）。此时模型会倾向于把大多数样本判为0，仅对最符合类别1特征的样本才给出1的预测，这些被预测为1的样本几乎都是真实的1，所以类别1的精度会很高，但代价是类别1的召回率会降低（很多真实1被误判为0）。

• 预期偏差源于对权重作用的误解：
  你原本以为给类别1加权重会让模型“更关注”类别1的精度，但实际上权重调控的是损失的惩罚方向：加权重是让模型优先避免该类别的漏判（提升召回率），而非提升该类别的精度。要提升某类别的精度，反而需要提升对“把其他类别误判为该类别”的惩罚力度——也就是给其他类别加权重。

内容的提问来源于stack exchange，提问作者ma7555