Question

我有一个GRU网络，该网络接收一系列数据，并将其标记为0类或1类。我希望模型对0类具有高度的特异性（至少> = 0.8），同时确保它仍然具有良好的灵敏度（希望可达近0.5）。

如何在Tensorflow中做到这一点？有没有办法让损失由单一类的特异性和敏感性共同确定？我不是真的在乎第1类预测的准确性，但是在这种情况下，非常重要的一点是，在预测类0时，正确的预测是正确的，同时对于类0仍具有相当多的预测（至少在一半的时间里，对于类0的标签也将预测为类0）。

任何帮助将不胜感激。

这是我到目前为止的相关代码：

states_concat = tf.concat(axis=1, values=states)
logits = tf.layers.dense(states_concat, n_outputs)
softmax = tf.nn.softmax(logits=logits)
xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)
loss = tf.reduce_mean(xentropy)

#Set up the optimizer with gradient clipping to minimize the chance of exploding values
optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate, momentum=0.9, use_nesterov=True)

Answer 1

我回答了我自己的问题。

对于遇到此问题的其他人，其他有用的术语是精确度和召回率，其中精确度度量为：truePositives /（truePositives + falsePositives），而召回率则测量敏感性。

对我有帮助的链接是： https://www.quora.com/How-do-I-penalize-false-positive-in-deep-learning-tensorflow https://www.tensorflow.org/api_docs/python/tf/nn/weighted_cross_entropy_with_logits

如何在Tensorflow中针对单个课程进行高特异性培训？

1 个答案: