损失函数设计,以适用于假阳性和假阴性的不同重量

Question

我正在尝试解决语义分段问题.根据实际约束,假阳性的标准和假阴性的标准是不同的.例如,如果像素被错误校正,则前景不太理想,而像素被错误校正为背景.如何在设置损失函数时处理这种约束.

Answer 1

您可以使用class_weight参数model.fit来对类进行加权,因此,根据类的不同,可以不同地惩罚错误分类.

class_weight:可选字典将类索引(整数)映射到权重(浮点),以在训练期间应用于此类的样本的模型损失.这可以用来告诉模型"更多地关注"来自代表性不足的类的样本.

例如:

out = Dense(2, activation='softmax')
model = Model(input=..., output=out)
model.fit(X, Y, class_weight={0: 1, 1: 0.5})

这将比第一类惩罚第二类.