我在MLP中实现了多类（7个标签）分类问题。我试图根据一些数据对7种癌症进行分类。总体准确率非常低，约为58％。然而，对于不同的参数，一些癌症被精确地分类为约90％。癌症1,2,3等以下意味着不同类型的癌症，例如1 =乳腺癌，2 =肺癌等。现在，对于不同的参数设置，我得到不同的分类准确度。例如，
learning_rate = 0.001
training_epochs = 10
batch_size = 100
hidden_size = 256
#overall accuracy 53%, cancer 2 accuracy 91%, cancer 5 accuracy 88%,
#cancer 6 accuracy 89%
learning_rate = 0.01
training_epochs = 30
batch_size = 100
hidden_size = 128
#overall accuracy 56%, cancer 2 accuracy 86%, cancer 5 accuracy 93%,
#caner 6 accuracy 75%
如您所见，对于不同的参数设置，我得到了完全不同的结果。癌症1,3,4,7的准确性非常低，因此我将其排除在外。但是癌症2,5,6的结果相对较好。但是，对于癌症6，结果根据参数设置而变化很大。
一个重要的注意事项是，这里的整体准确性并不重要，但如果我可以将2-3种癌症分类，其准确度超过90％则更为重要。所以我的问题是，我如何解释结果？在我的论文中，我应该如何显示结果？我应该展示/使用哪些参数设置？或者我应该为不同的癌症类型显示不同的参数设置？基本上，如何处理这种情况？
答案 0 :(得分：1)
您必须问自己的第一个问题是，您是否拥有平衡数据集，或者您是否存在数据不平衡？我的意思是，你在训练和测试数据集中每个班级有多少个实例？
假设，例如，假设数据集中所有实例的90％是癌症2，其余10％分布在其他类中。然后，通过实施一个非常愚蠢的分类器，您可以很容易地获得90％的准确度，该分类器简单地将所有内容归类为癌症2.但这可能不是您想要的分类器。
我建议报告https://www.1mg.com/而不仅仅是原始准确度数字。这将提供关于哪些类与分类器的哪些其他类混淆的一些信息，这可能是有趣的（例如，如果它们经常彼此混淆，则不同类型的癌症可能在某种程度上相似）。特别是如果您有数据不平衡，我还建议报告其他指标，如精确度和/或召回，而不是精度。
这取决于你真正试图解决的问题。是否正确检测每个班级同样重要？如果是这样，整体准确性可能是最重要的指标。某些类对于准确检测是否比其他类更重要？在这种情况下，您可能需要研究“成本敏感的分类”，其中不同的分类错误具有不同的成本。如果您根本不知道（没有这些领域知识），我建议您报告尽可能多的不同设置和指标。