设置多类分类的偏差 python tensorflow keras

Question

所附模型显示了如何在不平衡分类问题的情况下添加偏差initial_bias = np.log([pos/neg])。如果你有不平衡数据的多类分类，有没有办法增加偏差，比如说 5 个类，其中类具有分布(0.4,0.3,0.2.0.08 and 0.02)

2）在这种情况下如何计算和使用班级权重？

更新1

I found a way to apply weights, still not sure how to use bias

#####adding weights 20 Feb
weight_for_0 = ( 1/ 370)*(370+ 977+ 795)/3
weight_for_1 = ( 1/ 977)*(370+ 977+ 795)/3
weight_for_2 = (1 / 795)*(370+ 977+ 795)/3

#array([0, 1, 2]), array([370, 977, 795])

class_weights_dict = {0: weight_for_0, 1: weight_for_1, 2:weight_for_2}
class_weights_dict
Dcnn.fit(train_dataset,
         epochs=NB_EPOCHS,
         callbacks=[MyCustomCallback()],verbose=2,validation_data=test_dataset, class_weight=class_weights_dict)

Answer 1

考虑到您正在使用'softmax'：

softmax = exp(neurons) / sum(exp(neurons))

并且您希望课程的结果是：

frequency = [0.4 , 0.3 , 0.2 , 0.08 , 0.02]

偏差应由等式给出（按元素）：

frequency = exp(biases) / sum(exp(biases))

这就形成了一个方程组：

• f1 = e^b1 / (e^b1 + e^b2 + ... + e^b5)
• f2 = e^b2 / (e^b1 + e^b2 + ... + e^b5)
• ...
• f5 = e^b5 / (e^b1 + e^b2 + ... + e^b5)

如果你能解这个方程组，你就会得到你想要的偏差。

我使用Excel和测试误差方法来确定对于你想要的频率，你的偏差应该分别是：

[1.1 , 0.81 , 0.4 , -0.51 , -1.9] 

我真的不知道如何轻松地解决该系统，但您可以继续尝试 Excel 或其他东西，直到找到解决方案。

将偏差添加到图层 - 方法 1。

定义图层时使用名称，例如：

self.last_dense = layers.Dense(units=3, activation="softmax", name='last_layer')

您可能需要首先构建模型，因此：

dummy_predictions = model.predict(np.zeros((1,) + input_shape))

然后你得到权重：

weights_and_biases = model.get_layer('last_layer').get_weights()
w, b = weights_and_biases
new_biases = np.array([-0.45752, 0.51344, 0.30730])
model.get_layer('last_layer').set_weights([w, new_biases])

方法二

def bias_init(bias_shape):
    return K.variable([-0.45752, 0.51344, 0.30730])

self.last_dense = layers.Dense(units=3, activation="softmax", bias_initializer=bias_init)