样本权重大小不同时，用什么分类算法比较合适？

我一般直接在loss function里加样本权重就可以了，不会特意去选择不同的模型。sklearn的算法一般也都支持配置sample_weights。

比如考虑样本权重$\beta_p$后的logloss，是这样的

$$g\left(\mathbf{w}\right) = \sum_{p=1}^P\beta_p\,\text{log}\left(1 + e^{-y_p\text{model}\left(x_p,\mathbf{w}\right)}\right)$$

神经网络、xgboost之类的也可以设置每个样本的权重，权重不同，最后也会直接影响到模型的结果。下图就是每个样本权重不同（点的大小代表权重）的情况下，分类器的决策边界也可能会发生改变。