在许多机器学习应用中，可能需要加权损失，因为某些类型的错误预测可能比其他错误更严重。例如，在医学二元分类（健康/生病）中，假阴性，即患者未得到进一步检查的结果比假阳性更严重，假阳性可以通过后续检查发现错误。
所以如果我定义一个像这样的加权损失函数：
def weighted_loss(prediction, target): if prediction == target: return 0 # 正确，无损失 elif prediction == 0: # 类别0是健康 return 100 # 假阴性，非常糟糕 else: return 1 # 假阳性，不正确如何将类似于这个的函数传递给Scikit-learn分类器，如随机森林或SVM分类器？
回答：
我担心你的问题提得不好，源于对损失和指标这两个不同概念的根本性混淆。
损失函数不适用于prediction == target类型的条件——这是指标（如准确率、精确率、召回率等）的作用，这些指标在损失优化（即训练）过程中没有任何作用，仅用于性能评估。损失不适用于硬类别预测；它仅适用于分类器的概率输出，在这种情况下，平等条件永远不会适用。
在损失和指标之间增加一层“隔离”的选择是阈值，这是将分类器的概率输出（在训练过程中唯一重要的东西）转换为“硬”类别预测（在考虑的业务问题中唯一重要的东西）所必需的。同样，这个阈值在模型训练（唯一相关量是损失，它对阈值和硬类别预测一无所知）过程中绝对不起作用；正如在Cross Validated线程中所说Reduce Classification Probability Threshold：
当你为新样本的每个类别输出一个概率时，你的练习的统计部分就结束了。选择一个阈值，在此之上你将一个新观测分类为1而不是0，不再是统计的一部分。这是决策的一部分。
虽然你当然可以尝试用额外的程序来优化这个（决策）阈值，这些程序在狭义定义的模型训练（即损失最小化）之外，正如你在评论中简要描述的，你的期望
我非常确定，如果RBFs绘制的决策边界在拟合数据时考虑到这一点，我会得到更好的结果
用类似于你的weight_loss函数的东西是徒劳的。
因此，这里展示的类似于你的weight_loss的函数（本质上是一个指标，而不是损失函数，尽管它的名字），使用prediction == target这样的平等条件，不能用于模型训练。
以下SO线程中的讨论也可能有助于澄清这个问题：
