我发现在对不平衡训练数据训练一些CNN和RNN时，我的训练收敛速度相对较快，准确度大于较大级别的百分比（例如，如果有80％是例子，它可能总是输出是）。我发现可以解释的是，这个解决方案是一个局部最优解决方案，网络在训练时无法逃脱。这种解释是否正确，因此这种情况主要发生在这些情况中？ 我该怎么做呢？合成更多训练数据以使设置更均匀？还有什么？ 非常感谢！
答案 0 :(得分：1)
是的，你是对的。不平衡的训练数据会影响准确性。一些解决不平衡类问题的解决方案如下：
1）更多数据收集：在某些情况下这并不容易。例如，与非欺诈案件相比，欺诈案件数量非常少。
2）欠采样：从多数类中删除数据。您可以随机删除它或提供信息（从分发中获取帮助以确定要删除的部分/补丁）
3）过度采样：复制属于少数群体的观察结果。
答案 1 :(得分：1)
您的问题与TF无关，这是机器学习中的标准问题。只需在谷歌中输入“处理机器学习中的不平衡数据”并阅读几页。
以下是一些方法：