4
의미 론적 세분화 문제를 해결하려고합니다. 실제 제약 조건에 따라 가양 성의 기준과 위양성의 기준이 다릅니다. 예를 들어, 전경이 덜 바람직하기 때문에 픽셀이 잘못 보정 된 경우 픽셀이 배경으로 잘못 수정됩니다. 손실 함수 설정시 이러한 종류의 제약 조건을 처리하는 방법.위양성 및 위음성에 대해 다른 가중치를 통합하는 손실 함수 설계
A
답변
2
매개 변수를 model.fit으로 설정하면 클래스에 가중치를 부여 할 수 있으므로 클래스에 따라 잘못 분류 된 경우를 처벌 할 수 있습니다.
class_weight: 체중 (플로트)에 대한 선택적 사전 매핑 클래스 지수 (정수) 훈련 기간 동안이 클래스의 샘플 모델의 손실을 적용합니다. 이는 과소 표현 클래스의 샘플에 "주의를 기울이십시오"라고 모델에 알리는 데 유용 할 수 있습니다. 예를 들어
는 :
out = Dense(2, activation='softmax')
model = Model(input=..., output=out)
model.fit(X, Y, class_weight={0: 1, 1: 0.5})
이 처음보다 두 번째 클래스가 덜 처벌 것이다.
+0
해당 요소를 현명하게 수행 할 수있는 방법이 있습니까? 그에 따라 binary_cross 엔트로피의 출력을 간단히 가중치 할 수 있습니까? 진실한 긍정은 진실한 확실성뿐만 아니라 (및 당신의 응답에서 것과 같이 확실성뿐만 아니라) 다르게 가중되어야하는 경우에 무엇? – Nickpick
+0
결국 당신은 당신의 손실 함수의 출력으로 당신이 원하는 모든 용어를 곱할 수 있지만 이렇게하기 위해서는 자신의 손실 함수를 써야합니다 (즉,'y_pred'와'y_true'를 취하는 함수를 제공하고, 손실을 계산하십시오 체중 벡터 곱하기). – nemo
+0
그러나 이진 교차 엔트로피 함수는 항상 0과 1 사이의 손실을 생성하지 않습니다 (0.5는 y_true == y_pred를 의미 함). 손실 함수를 왜곡하는 스케일링을하지 않습니까? – Nickpick
현재 저는 binary_corrsentropy를 손실 함수로 사용하고 있으며 다른 클래스 레이블에 가중치를 추가 할 수 있는지 궁금합니다. – user297850