我的问题是句子分类，这是一个两级预测问题：句子是否属于班级＆＃34; 1＆＃34;或班级＆＃34; 0＆＃34;？为了解决这个问题，我使用的是CNN。
但是，我想强制模型惩罚课堂上的错误＆＃34; 1＆＃34;更重要的是，因为对我来说更重要的是模型预测了班级＆＃34; 1＆＃34;可靠的，即对班级的误报＆＃34; 0＆＃34;是可以容忍的。
为此，我改变了成本函数。每当出现错误且错误发生在类＆＃34; 1＆＃34;时，返回值2，否则返回1。如果没有错误，则返回0。这应该具有如果预测是＆＃34; 0＆＃34;则成本增加的效果，但它应该是＆＃34; 1＆＃34;，与相反的情况相比。
这是我的代码（抱歉这个烂摊子。）
def class_imbalanced_errors(self,y_pred,y):
expr=lambda a,b: T.switch(T.neq(a,b),T.switch(T.neq(a,T.constant(1)),T.constant(1),T.constant(2)),T.constant(0))
x,y = theano.scan(expr,sequences=[y,y_pred])
return x
该函数返回值为2,1或0的向量，具体取决于错误类型。然后，这个向量的平均值就是最终成本。
我的问题：
这是给两个类赋予不同权重的正确方法吗？ 我的实施似乎是正确的吗？