代價敏感學習是指為不同類別的樣本提供不同的權(quán)重，從而讓機器學習模型進行學習的一種方法。 在通常的學習任務中，所有樣本的權(quán)重一般都是相等的，但是在某些特定的任務中也可以為樣本設置不同的權(quán)重。比如風控或者入侵檢測，這兩類任務都具有嚴重的數(shù)據(jù)不平衡問題，例如風控模型，將一個壞用戶分類為好用戶所造成的損失遠遠大于將一個好用戶分類來壞用戶的損失，因此在這種情況下要盡量避免將壞用戶分類為好用戶，可以在算法學習的時候，為壞用戶樣本設置更高的學習權(quán)重，從而讓算法更加專注于壞用戶的分類情況，提高對壞用戶樣本分類的查全率，但是也會將很多好用戶分類為壞用戶，降低壞用戶分類的查準率。