当我看到机器学习，特别是分类时，我发现一些算法是为了分类而设计的，例如决策树，在不考虑下一步描述的情况下进行分类：
对于两类问题，a类和B类，人们对一个特殊的问题感兴趣，例如a类。在这种情况下，假设a有100，B有1000。一个好的分类可能会产生将100A和100B混合为一部分，让900B作为另一部分的结果。这有利于分类。但有没有一种算法可以选择，例如，一个零件可以选择50A和5B，另一个零件则可以选择50 a和995 B。这可能不如分类的观点好，但如果有人对a类感兴趣，我认为下一个算法可以给出更纯的a结果，所以它更好。
简而言之，这意味着有没有一种算法可以纯粹针对一个特殊的类别，而不是对它们进行无偏见的分类？
如果scikit learn包含了这个算法，那就更好了。
研究匹配算法，如"稳定婚姻问题"
https://en.wikipedia.org/wiki/Stable_marriage_problem
如果我理解正确，我认为你要求的是一种机器学习算法，它对某些类赋予更高的权重，因此按比例更有可能预测这些"特殊"类。
如果这就是你所问的，你可以使用任何在预测过程中输出每个类的概率的算法。我认为大多数算法实际上都采用了这种方法，但我特别知道神经网络是这样做的。然后，你可以在"特殊"类上按比例增加数据来训练网络，也可以手动对预测输出（每个类的概率数组）进行后处理，以使概率适应你的规范。