我有一个不太直观的问题。我正在对Amazon Book评论进行情感分析，并且数据集严重失衡。正面评价几乎是负面评价的10倍，培训和测试的准确性约为90％（数据集不平衡）。但是，当我尝试在class_weight = {0:10 , 1:1}的帮助下平衡数据集时，训练和测试的准确性都下降到65％左右。同样，如果我再次进行class_weight = {0:1 , 1:10}准确性提升，显然是我将class_weight设置为错误，但据我所知，因为正面评论（1）的数量是负面评论（0）的10倍，不应该将class_weight设置为{0:10，1：1}吗？
这是我对训练和测试数据进行分类的方式：
x_train, x_test, y_train, y_test = train_test_split(sequences,labels, test_size = 0.33, random_state = 42)
这是我的模特
model = Sequential()
model.add(Embedding(max_words, embedding_dim))
model.add(Dropout(0.5))
model.add(LSTM(32, dropout=0.5, recurrent_dropout=0.5))
model.add(Dense(2, activation='sigmoid'))
model.compile(optimizer='rmsprop', loss='binary_crossentropy',metrics=['acc'])
model.fit(x_train, y_train, epochs=10, batch_size=320, class_weight = {0:1 , 1:10})
答案 0 :(得分：1)
当然，如果您不平衡损失，则比平衡损失可获得更好的准确性。实际上，这就是保持平衡的原因。否则，仅预测所有评论的正面评价的模型将为您提供90％的准确性。但是这种模式是没有用的。对于这种高度不平衡的数据集，准确性通常是不好的指标。改用F1，您会发现不平衡模型会带来更差的F1。
答案 1 :(得分：0)
为数据集中频率较低的班级设置较高的班级权重是正确的方法。除了准确性以外，您还可以查看其他useful metrics，例如精度，召回率，F1得分，auc_roc得分（一致性），混淆矩阵，以实际了解模型正在学习的内容。