我正在使用Keras，scikit-learn等解决多标签分类问题...
我的数据框包含4000个微观油样，带有图像和13个不同的标签，这些样品中发现了问题。
实际上我将所有图像和标签都转换为numpy数组。
一张标签图像的示例：
[0.0，1.0，0.0，0.0，1.0，1.0，0.0，0.0，0.0，1.0，0.0，0.0，0.0]
在此标签中，如果位置等于1，则表示当前样本存在特定问题，例如油中的某些颗粒，如您所见，样本可能有多个输出。
好吧，问题是，我的数据帧不平衡，我需要应用“类权重”方法，但是在查看标签之前，我认为我需要使用以下代码：[0，1，0，0，... ]，而不像我上面给出的示例。
详细信息，我可以在没有类权重的情况下运行我的神经网络代码，效果很好，但是我无法使用该不平衡数据来训练所有模型。 已经尝试使用列表，但未成功！
当然，我的形状有问题，例如图像有（1000，100，200，3）和标签（1000，13）；那就是为什么我也不能应用班级重量的原因...
我尝试解决一些问题。
我将张贴代码，因为我被卡住了，不知道该怎么办。
class_weight_list = compute_class_weight('balanced',np.unique(Y_train), Y_train)
class_weight = dict(zip(np.unique(Y_train), class_weight_list))
Y_train = to_categorical(Y_train,num_classes=len(np.unique(Y_train)))
在这种情况下使用标签的最佳策略是什么？ 如果有人可以帮助我，我将不胜感激。 在此先感谢！