Я пытаюсь решить проблему семантической сегментации. В соответствии с реальными ограничениями критерии ложного позитива и критерии ложного отрицания различны. Например, если пиксель неправильно отредактирован, поскольку передний план менее желателен, чем пиксель, который не исправляется в качестве фона. Как справиться с этим ограничением при настройке функции потерь.дизайн функции потерь для включения разного веса для ложных положительных и ложных отрицательных
ответ
Вы можете использовать параметр class_weight
model.fit
, чтобы весить свои классы и, как таковые, наказать по-разному в зависимости от класса.
class_weight
: факультативные словарные индексы класса картирование (целые числа) к массе (флоат), чтобы применить к потере этой модели для образцов из этого класса во время обучения. Это может быть полезно, чтобы сказать модели «уделять больше внимания» образцам из недопредставленного класса.
Например:
out = Dense(2, activation='softmax')
model = Model(input=..., output=out)
model.fit(X, Y, class_weight={0: 1, 1: 0.5})
Это наказать второй класс меньше первого.
Есть ли способ сделать этот элемент мудрым? Могу ли я просто взвешивать вывод энтропии binary_cross? Что делать, если истинные положительные результаты следует взвешивать иначе, чем истинные негативы (а не только положительные, как в вашем ответе)? – Nickpick
В конце вы можете умножить любой термин, который вы хотите, на выход функции потери, но для этого вам нужно написать свою собственную функцию потерь (т.е. предоставить функцию, которая принимает 'y_pred' и' y_true', вычислить вашу потерю и умножьте свой вектор веса). – nemo
Но не будет бинарной функцией кросс-энтропии всегда производить потерю между 0 и 1 (0,5 означает, что y_true == y_pred). Не будет ли масштабирование искажать функцию потерь? – Nickpick
- 1. Ruby: Метод для проверки ложных
- 2. Коллекция Iterate для правдивых/ложных значений
- 3. Регулярное выражение для отрицательных и положительных чисел
- 4. Устранение ложных зависимостей
- 5. Создание ложных хранимых процедур
- 6. Elasticsearch Geoshape запрос ложных результатов
- 7. AES Расшифровка ложных срабатываний?
- 8. Контрольный список для истинных или ложных
- 9. Программное обеспечение для создания ложных запросов ARP?
- 10. Настройки переменного для возврата значения функции или ложных
- 11. in_array проверить для не ложных значений
- 12. Stringcomparison OrdinalIgnoreCase для истинных ложных значений
- 13. Как настроить обработчик ложных результатов для vlookup
- 14. Выполнение ложных данных только для div
- 15. неопределенный метод `каждый 'для ложных значений: FalseClass
- 16. Идентификация версии для проверки ложных ошибок iOS
- 17. Оповещения о ложных срабатываниях
- 18. snarqube плагин ложных срабатываний
- 19. Невозможно установить Application.ScreenUpdating ложных
- 20. Проверить на наличие ложных
- 21. Practice инициализировать переменную ложных
- 22. Характер ложных ошибок Bash
- 23. PHP массивы настройка ложных
- 24. DateTime.TryParseExact возвращения ложных
- 25. расчет отрицательных и положительных часов
- 26. Сумма отрицательных и положительных чисел
- 27. Чередование положительных и отрицательных значений
- 28. Сравнение отрицательных и положительных чисел
- 29. Покрытие кода - устранение ложных срабатываний
- 30. Сериализация исключения из ложных бросков
В настоящее время я просто использую binary_corrsentropy как функцию потерь, и мне любопытно узнать, можно ли добавить вес для разных ярлыков классов. – user297850