我一直在研究如何在RNN结构中实现类权重，其中模型输入14天的数据来预测第15天的目标，并且每天都有相同的功能。本质上，输入是一个大小为3d的numpy数组（样本大小，14，要素数量）。目标是简单的二进制分类“是或否”，但一个热编码。因此目标是“是”的[1 0]和“否”的[0 1]。
通常在非时间模型和非一个热编码响应中，keras在模型拟合函数中有一个简单的实现，您可以输入与权重相对应的字典。例如：
{“是”：1 “否”：5}
“否”的失误的权重是“是”的失误的5倍。
我读过您需要在时间要素发挥作用时使用样本权重，但我认为样本权重是对不同的时间步长（1至14天）进行不同的加权。最重要的是，我不确定如何处理热编码。
任何帮助将不胜感激，如果这太复杂了，我可能只是编写自己的损失函数并尝试这种方式。
谢谢。
答案 0 :(得分：0)
对于一个热编码矢量，诀窍是使用sample_weight权衡每个样本的权重，就像加权一个类一样
import sklearn.utils.class_weight
将class_weight字典传递给sample_weights= class_weight.compute_sample_weight(class_weight,y)，它会根据该类为每个样本产生权重。这可以传递给keras model.fit(...,sample_weight=sample_weights)
如果您没有班级权重
您可以使用class_weight.compute_class_weight，将输出转换为字典，然后传递给compute_sample_weight以获取sample_weights向量