keras为损失函数应用阈值

Question

我正在开发Keras模型。我的数据集严重不平衡，因此我想为训练和测试设置一个阈值。如果我没记错的话，在进行向后传播时，神经网络会用原始值检查预测值并计算误差，然后根据误差为神经元设置新的权重。

据我所知，Keras使用0.5作为阈值。我知道可以通过自定义阈值来应用自定义指标（如召回率和精度），但是该阈值仅用于计算召回率，而不适用于损失函数。更明确地说，如果我要将阈值设置为0.85，则神经网络将使用0.5作为阈值来计算损失，而将0.85作为召回率。

还有什么方法可以设置此培训门槛？

Answer 1

没有损失阈值之类的东西。

损失函数必须是“可微”的，因此它必须是“连续”函数。
最好的办法是设置“班级权重”，例如以下示例：Higher loss penalty for true non-zero predictions

Answer 2

除了班级权重...

1. 您可以使用带有阈值参数的度量函数：
   model.compile(..., metrics=[tf.keras.metrics.BinaryAccuracy(threshold=0.5)])

2. 您可以在最后一层使用 sigmoid 激活并在该阈值之后手动选择：

pred_labels = np.where(y_pred>0.5, 1, 0)
score = sklearn.metrics.accuracy_score(pred_labels, labels)