дизайн функции потерь для включения разного веса для ложных положительных и ложных отрицательных

Question

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.

Answer 1

Вы можете использовать параметр class_weightmodel.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.