样本加权在不平衡数据训练中没有帮助

是一个错误的说法。在不平衡数据训练中，样本加权是一种常用的技术，用于解决数据集中类别不平衡的问题。

样本加权是通过为不同类别的样本赋予不同的权重来平衡数据集。通常情况下，少数类别的样本会被赋予更高的权重，以便在训练模型时更加关注这些少数类别，从而提高模型对少数类别的识别能力。

样本加权的优势包括：

1. 提高模型对少数类别的识别能力：通过赋予少数类别更高的权重，模型更加关注这些类别，从而提高对少数类别的识别能力。
2. 平衡数据集：通过样本加权，可以使得不平衡的数据集在训练过程中更加平衡，避免模型过度关注多数类别而忽略少数类别。
3. 提高整体模型性能：通过平衡数据集，样本加权可以提高整体模型的性能，使得模型在各个类别上都能取得较好的效果。

在实际应用中，样本加权可以应用于各种机器学习和深度学习算法中，如决策树、支持向量机、神经网络等。在腾讯云的产品中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tcml）来进行不平衡数据训练，并通过设置样本权重来实现样本加权的效果。