一句话定义：样本加权（Sample Weighting）是在训练或评估模型时，给不同样本分配不同的重要性系数（权重），让模型更关注那些「更重要」或「更稀缺」的数据。
打个比方。公司做满意度调查，技术部 1000 人，法务部 10 人。按人头直接平均，法务部的声音会被彻底淹没。但如果你希望「每个部门的声音同等重要」，就该给法务部每个人 100 倍的权重。数据条数没变，结论却完全不同。样本加权做的就是这件事：不改数据，改每条数据在损失函数（loss function）里的发言音量。
常见用法有几种。一是类别不平衡（class imbalance）：正样本只占 1%，就给正样本更高权重，效果近似于把它「复制」很多份。二是数据源配比：线上真实流量只占一小部分，混合训练时给它更高权重，模型才不会被人工构造的数据带偏。三是样本质量：伪标签（pseudo-labeling）或弱标注数据权重调低，人工精标数据权重调高。四是时间衰减：老数据权重低、新数据权重高。
和相邻概念的区别：
| 概念 | 改变的是什么 | 数据条数 | 典型场景 |
|---|---|---|---|
| 样本加权 | 每条样本的损失系数 | 不变 | 类别不平衡、多数据源配比 |
| 重采样（Resampling） | 数据集本身 | 变 | 同上，但更直接粗暴 |
| 代价敏感学习（Cost-sensitive Learning） | 错分的代价 | 不变 | 漏诊、欺诈漏放 |
| 注意力权重（Attention） | 模型内部表征 | 不变 | 序列建模 |
代价敏感学习和样本加权在实践里高度重合，常常换着用：前者强调「错一次的代价不同」，后者是实现它的手段。而重采样是真的增删数据，加权只是改损失，内存更省，也不会因为复制样本加剧过拟合。
对从业者的意义：在提「再标一万条」之前，先看看权重能不能解决。调权重是几行代码加一次实验，标数据是几周工期和一笔预算。做法通常是先按来源、类别、置信度、时间分桶，每个桶给一个权重，跑对照实验。几个坑要注意：权重是超参数，别一次调太多维，容易把验证集调过拟合；权重过大会放大梯度方差、让训练不稳；加权会破坏概率校准（calibration），模型输出的概率不再对应真实频率，上线前要重新校准；最后，别用加权过的指标自我安慰，最好留一份按线上真实分布采样的评测集。
对普通人的意义：所有「平均值」背后都藏着权重。看到「用户平均满意度提升」时，先问一句：是按人头平均，还是按消费额加权？换个权重，结论可能反过来。别人给你一个平均数，你该问的下一句永远是：怎么加权。