tensorflow - 如何增加 Keras 中的数据训练偏差？

Question

我目前正在使用大约 15k 图像(50% 好的和坏的)使用 Keras 进行二进制模型训练。然而，我的坏数据集是有限的。所以我添加了增强功能。尽管如此，我还是想迫使模型将稍微或接近坏的情况也识别为坏。

Y_train = train_generator.classes
from sklearn.utils import class_weight
class_weight = class_weight.compute_class_weight('balanced'
                                               ,np.unique(Y_train)
                                               ,Y_train)
class_weight
class_weight = dict(zip(np.unique(Y_train), class_weight))
class_weight

输出:

{0: 1.0015690376569037, 1: 0.9984358706986444}

我希望对坏数据集进行更多的训练，而不是对好数据集进行更多的训练。是否可以将类别(0 - 差)权重增加到 10 之类？

培训:

print(colored('Training initiaited. please wait........', 'blue',))
model.fit_generator(train_generator,
                         epochs = epochs,
                         validation_data = validation_generator,
                         class_weight = class_weight, 
                         steps_per_epoch=int(train_generator.samples/batch_size),
                         callbacks=callbacks_list, 
                         validation_steps = int(validation_generator.samples/batch_size)
                           ) 

强制模型在不良数据集上进行更多训练的最佳方法是什么？ (如果这不是最好的方法(不幸的是我没有任何坏数据，但我确实有很多好的数据点))

遵循“平衡”我能做些什么吗？

class_weight.compute_class_weight('balanced'
                                               ,np.unique(Y_train)
                                               ,Y_train)

Answer 1

对误报进行更严格限制的一种简单方法是在分类过程中增加阈值。即，假设您的模型抛出 0.65 的输出，同时为图像类做出决定，通常类似于

threshold = 0.5
if output<threshold:
    print("Class 0")
else:
    print("Class 1")

它输出为class 0，但通过将阈值增加到0.80，您可以对真实阳性进行更严格的限制。仅当您的模型抛出与类别概率相对应的输出时，上述内容才有效。

但正确的方法是选择正确的指标，例如在您的情况下，精确是更好的选择。