Question

我构建了一个TensorFlow模型，该模型使用DNNClassifier将输入分为两类。

我的问题是，结果1发生在90-95％以上的时间。因此，TensorFlow为我的所有预测提供了相同的概率。

我试图预测其他结果（例如，结果2的假阳性优于错过可能出现的结果2）。我知道在一般的机器学习中，在这种情况下，尝试增加结果2是值得的。

但是，我不知道如何在TensorFlow中执行此操作。 documentation暗示它是可能的，但我找不到任何实际情况的例子。有没有人成功地做到了这一点，或者有谁知道我在哪里可以找到一些示例代码或彻底的解释（我使用的是Python）？

注意：当有人使用TensorFlow的更基本部分而不是估算器时，我看到暴露的权重被操纵。出于维护原因，我需要使用估算器来完成此操作。

Answer 1

tf.estimator.DNNClassifier构造函数有weight_column参数：

weight_column ：由...创建的字符串或_NumericColumn tf.feature_column.numeric_column定义要素列表示权重。它用于在训练期间减轻体重或增加例子。它将乘以示例的损失。如果是一个字符串，它被用作从features获取权重张量的密钥。如果是 a _NumericColumn，原始张量由键weight_column.key获取，然后 weight_column.normalizer_fn被应用于它以获得权重张量。

所以只需添加一个新列，并为稀有类填充一些重量：

weight = tf.feature_column.numeric_column('weight')
...
tf.estimator.DNNClassifier(..., weight_column=weight)

[更新] 以下是一个完整的工作示例：

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('mnist', one_hot=False)
train_x, train_y = mnist.train.next_batch(1024)
test_x, test_y = mnist.test.images, mnist.test.labels

x_column = tf.feature_column.numeric_column('x', shape=[784])
weight_column = tf.feature_column.numeric_column('weight')
classifier = tf.estimator.DNNClassifier(feature_columns=[x_column],
                                        hidden_units=[100, 100],
                                        weight_column=weight_column,
                                        n_classes=10)

# Training
train_input_fn = tf.estimator.inputs.numpy_input_fn(x={'x': train_x, 'weight': np.ones(train_x.shape[0])},
                                                    y=train_y.astype(np.int32),
                                                    num_epochs=None, shuffle=True)
classifier.train(input_fn=train_input_fn, steps=1000)

# Testing
test_input_fn = tf.estimator.inputs.numpy_input_fn(x={'x': test_x, 'weight': np.ones(test_x.shape[0])},
                                                   y=test_y.astype(np.int32),
                                                   num_epochs=1, shuffle=False)
acc = classifier.evaluate(input_fn=test_input_fn)
print('Test Accuracy: %.3f' % acc['accuracy'])

增加类别

1 个答案: