为什么实现类权重会使模型变得更糟

Question

我正在尝试进行二进制分类，一个类（0）大约是另一个类（1）的三分之一。当我通过常规前馈神经网络运行原始数据时，准确度约为0.78。但是，当我实现class_weights时，精度下降到约0.49。如果没有class_weights，roc曲线似乎也会做得更好。为什么会发生这种情况，我该如何解决？

II已经尝试更改模型，实现正则化和辍学等。但是似乎没有什么改变总体准确性

这是我如何获得体重的方法： class_weights = class_weight.compute_class_weight('balanced', np.unique(y_train), y_train) class_weight_dict = dict(enumerate(class_weights))

以下是没有权重的结果：

以下是配重：

我希望使用class_weights可以得到更好的结果，但事实恰恰相反。甚至连大鹏似乎也没有在举重方面做得更好。

Answer 1

由于班级不平衡，总是选择多数派的非常弱的基线将获得大约75％的准确性。

未经类别加权训练的网络验证曲线似乎表明，它正在选择接近总是选择多数类别的解决方案。从网络上可以看出，它在第一个时期的验证准确性没有太大提高。

我建议您研究混淆矩阵，准确性和召回率指标，以获取有关哪种模型更好的信息。