Question

我有一个用于分类的神经网络工作模型。目前，我已应用交叉熵计算测试结果（模型输出）和条件结果（真输出）之间的误差。该模型用于二进制分类，但将扩展为处理多个类。到目前为止，误差是使用MATLAB中的交叉熵计算的：

err = sum( y.*log(h(x)) + (1-y).*log(1-h(x)) )

我希望模型以这样的方式执行，即它可以分类或检测更多误报然后是假否定。我知道有所谓的混淆矩阵我可以指定所有内容，但我不知道这如何与错误计算相对应。我们非常欢迎任何建议：）

干杯！

Answer 1

您可以通过引入标量类权重来衡量积极等级高于或低于负等级。由于

y .* log(h(x))

表示阳性训练样本的损失和

(1 - y) .* log(1 - h(x))

是负面训练样本的损失，

err = -sum(w .* y .* log(h(x)) + (1 - y) .* log(1 - h(x)))

导致正面训练样本在w>1时比负面训练样本更重要，而在w<1时则更不重要。请务必相应地修改衍生产品。