sklearn gradientboostingを用いた不均衡データの分類

Question

前提・実現したいこと

不均衡データに対してGradientBoostingを用いた分類予測を行いたいと考えています。

発生している問題・エラーメッセージ

データの数により重み付けを行いたいと考えていますが、class_weightなどの指定ができず困っています。
例えば、sklearnでSVM使用の場合はclass_weightが指定できるかと思います。
GradientBoostingを使用する場合は、どのようにすればよいかご教示頂きたいです。

該当のソースコード

from sklearn.ensemble import GradientBoostingClassifier  
from sklearn.grid_search import GridSearchCV 

model = GradientBoostingClassifier(n_estimators=3000,)

parameters = {'learning_rate' : [0.1, 0.05, 0.02, 0.01], 
              'max_depth': [4, 6, 10, None],
              'min_samples_leaf': [3, 5, 9, 17],
              'max_features': [1.0, 0.3, 0.1,"auto",None]}

gscv = GridSearchCV(model, parameters, verbose=3, n_jobs=-1, cv=3)
gscv.fit(X_train, y_train)
print("best score=", gscv.best_score_)
y_pred = gscv.best_estimator_.predict(X_test)
conf_mat = confusion_matrix(y_test,y_pred)
conf_mat

試したこと

データ数による重み付けなしで、グリッドサーチによるチューニングとテストデータの予測、混同行列の算出までを行いました。

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

Answer 1

まだ回答がないようなので、GradientBoosting ではないのですが、代案を書いておきます。
GradientBoosting でなくても、勾配ブースティングアルゴリズムなら大丈夫という場合は、XGBoost (eXtreme Gradient Boosting) が不均衡データに対応した引数 scale_pos_weight を持っています。
パラメータの説明
scale_pos_weight [default=1]
Control the balance of positive and negative weights, useful for unbalanced classes. A typical value to consider: sum(negative instances) / sum(positive instances).
Python で書かれたサンプルプログラム

XGBoost ではだめでしょうか？