为不平衡数据加权回归CNN？

Question

我有一个用于回归的CNN，用于拍摄图像并输出浮点数0-10。我的模型运行良好，但是我遇到了数据不平衡的严重问题，使我的模型对几乎所有图像的预测均在6-8之间，但实现了不错的均方误差。我知道人们会根据数据集的不平衡程度对课程进行加权。那么，有没有办法用回归模型做到这一点？如果有帮助，我的输出为浮点型，但是我所有的数据都在0-10范围内以0.5为间隔，因此大约有20个不同的类。这是我的数据标签的分布。

我了解还有其他方法，例如：

• 对少数群体进行过度采样。
• 使用数据扩充功能来复制少数群体。
• 优化其他性能指标。 （不知道那会是什么）

有什么建议吗？谢谢。

Answer 1

您的数据最初可能代表了回归问题，但是将其分为20组后，您正在针对 20类分类问题训练模型。因此，您应该这样对待它，并寻找解决这种不平衡的方法。最普遍的方法是：

• 过度采样少数群体
• 欠采样大多数类别
• 使用班级权重

我通常更喜欢第一种方法，因为模型倾向于使用更多的数据来做得更好，但是第三种方法更易于实现，并且不会增加训练的计算成本。

Answer 2

一种流行的过采样技术是SMOTE。

关于优化其他度量，一种选择是优化权重与类表示的倒数成比例的加权损失。