在我们的日常生活中，各种应用领域中到处都有异常情况。 如果我们无法提前发现，大多数异常可能会造成巨大的损失。 多年来，已经对该领域进行了大量研究，以便尽快发现异常。 其中，机器学习是最常用的技术之一。 先前的工作试图通过选择各种分类器来改善检测效果，并取得了一些成功。 但是很少有人考虑到每个异常可能造成的不同损失。 众所周知，具有更高重要性的异常会导致更高的损失。 在本文中，我们旨在通过提出一种改进的对成本敏感的GBDT算法LF-GBDT来最大程度地减少损失。 LF-GBDT旨在优化自定义损耗函