是的，这是可能的，而且经常这样做。但是，在我看来，目前无法使用 scikit-learn。在某种程度上，您可以通过在训练和验证集中复制样本来增加它们的权重来模拟这一点，但这肯定不是实现它的有效方法。

如果您计划使用神经网络，我建议您使用一些更高级的库，例如 TensorFlow，它weighted_cross_entropy_with_logits实现了损失函数。将 TensorFlow 与 Keras 结合使用可能会提供对初学者更友好的界面，尽管学习曲线可能仍然有点陡峭。

或者，scikit-learn 具有支持加权样本的SVM 分类器，也许它可以解决您的问题。

我会分享一个技巧：复制数据。这个hack适用于大多数模型。

例如，如果您发现数据点 1 非常重要，请将其复制 5 份。这种技巧也可以用来使损失函数对某些类更敏感。

正如@Jan Kukacka 提到的，scikit-learn 不支持sample_weights学习者MLPClassifier。但是，skorch包装 PyTorch 神经网络以具有与它相同的 API的包内置了一些支持。您可以在常见问题解答sklearn中找到有关如何执行此操作的更多信息。skorch