Veszteségfüggvény a kiegyensúlyozatlan osztályú bináris osztályozóhoz a tenzorfolyamatban
Megpróbálok mély tanításokat alkalmazni egy bináris osztályozási probléma esetén, magas szintű egyensúlyhiányban a célosztályok között (500k, 31K). Szeretnék írni egy egyedi veszteségfüggvényt, amelynek a következőknek kell lennie: minimalizálás (100 - ((előrejelzett_kisméretű osztály)/(teljes_kisméretű osztály)) * 100)
Nagyra értékelem a tippeket arra vonatkozóan, hogyan tudom felépíteni ezt a logikát.
6 válasz
Az általad javasolt kód hibásnak tűnik számomra. A fogyást meg kell szorozni a tömeggel, egyetértek.
De ha megszorozza a rönköt az osztály súlyával, akkor fejezze be a következővel:
a második kifejezés nem egyenlő:
Ennek bemutatásához átírhatjuk az utolsót:
Tehát itt van az általam javasolt kód:
A veszteségfüggvényhez osztálytömegeket adhat a naplók szorzásával. A kereszt-entrópia rendszeres elvesztése a következő:
Így a rönkök szorzásával határozza meg újra az egyes osztályok jóslatait az osztályok súlyával.
Van egy szabványos veszteségfüggvény, amely támogatja a kötegelt súlyokat:
Ha a súlyokat az osztály súlyaiból pl. Súlyra kell konvertálni ([lot_size] formában). Lásd itt a dokumentációt .
Bár a skaláris veszteség megadása csökkenti a veszteséget a teljes kötegben, néha át akarjuk méretezni a veszteségmintát tételenként. Például, ha vannak bizonyos példáink, amelyek fontosabbak ahhoz, hogy jobbá tegyünk bennünket, akkor nagyobb veszteségre lehet szükségünk, mint más mintáknál, amelyek hibái kevésbé számítanak. Ebben az esetben megadhatjuk a lot_size hosszúságú súlyvektorát, amely a tétel minden egyes mintájának veszteségét eredményezi, amelyet a megfelelő súlyelem méretez. Vegyük például egy osztályozási probléma esetét, amelyben maximalizálni akarjuk a pontosságot, de különösen érdekeltek vagyunk abban, hogy nagy pontosságot érjünk el egy adott osztály számára:
Nekem hasonló, kiegyensúlyozatlan, több osztályú adatsorral kellett dolgoznom, ezért átdolgoztam, remélem, hogy ez segít valakinek, aki hasonló megoldást keres:
Ez igaz a képzési modulon belül:
Ez megfelel a modellosztály definíciójának: