Функција на загуба за неизбалансиран бинарен класификатор на класа во протокот на Тензор
Се обидувам да применам длабоки учења за проблем со бинарна класификација со нерамнотежа во висока класа помеѓу целните класи (500k, 31K). Сакам да напишам функција за сопствени загуби што треба да биде: минимизирај (100 - ((предвидена_марнакласа)/(тотална_маларнакласа)) * 100)
Ги ценам сите совети за тоа како можам да ја конструирам оваа логика.
6 одговори
Кодот што го предложивте ми изгледа погрешен. Слабеењето треба да се помножи со тежината, се согласувам.
Но, ако го помножите логитот со тежината на класата, завршете со:
вториот мандат не е еднакво на:
За да го покажеме ова, можеме да го препишеме последниот како:
Еве го кодот што го предлагам:
Можете да додадете тегови на класата на функцијата на загуба со множење на дневниците. Редовното губење на крос-ентропија е како што следува:
Така, со множење на дневниците, редефинирајте ги предвидувањата на секоја класа со нивната класна тежина.
Постои стандардна функција за загуба што поддржува серија тежини:
Ако тежините треба да се претворат од класните тежини во тежина на пример (со формата [големина на големината]). Погледнете ја документацијата овде .
Иако специфицирањето на скаларна загуба ја намалува загубата во текот на целата серија, понекогаш сакаме да ја смениме големината на примерокот за загуба по серија. На пример, ако имаме одредени примери кои имаат поголема важност за да не исправат, можеби ќе сакаме да имаме поголема загуба од другите примероци чии грешки се помалку важни. Во овој случај, можеме да обезбедиме вектор на тежина со должина на големината на големината, што резултира во загуба за секој примерок во серијата што е намалена за соодветниот елемент на тежина. На пример, разгледајте го случајот со проблем со класификација во кој сакаме да ја зголемиме точноста, но сме особено заинтересирани да добиеме висока точност за одредена класа:
Морав да работам со сличен неурамнотежен сет на податоци со неколку класи и затоа го работев тоа, се надевам дека ќе му помогне на некој што бара слично решение:
Ова важи во вашиот модул за обука:
Ова одговара на вашата дефиниција за класа на модели: