我在二元分类问题上使用决策树算法，目标是最大限度地减少分类的误报（最大化positive predicted value）（诊断工具的成本非常高）。
有没有办法引weight入基尼系数/熵分裂标准来惩罚误报错误分类？
例如，修改后的基尼指数为：
因此我想知道是否有任何方法可以在 Scikit-learn 中实现它？
编辑
玩弄class_weight产生了以下结果：
from sklearn import datasets as dts
iris_data = dts.load_iris()
X, y = iris_data.features, iris_data.targets
# take only classes 1 and 2 due to less separability
X = X[y>0]
y = y[y>0]
y = y - 1 # make binary labels
# define the decision tree classifier with only two levels at most and no class balance
dt = tree.DecisionTreeClassifier(max_depth=2, class_weight=None)
# fit the model, no train/test for simplicity
dt.fit(X[:55,:2], y[:55])
绘制决策边界和树蓝色为正（1）：
在超过少数阶级（或更珍贵）的同时：
dt_100 = tree.DecisionTreeClassifier(max_depth=2, class_weight={1:100})
