損失函數設計，以納入不同的重量爲假陽性和假陰性

Question

我想解決語義分割問題。根據真實的約束條件，假陽性標準和假陰性標準是不同的。例如，如果像素被錯誤糾正，因爲前景不太理想，而像素被錯誤糾正爲背景。如何處理這種設定損失函數的約束條件。

Answer 1

您可以使用的class_weight參數來加權您的類，並因此根據類別對錯誤分類進行不同的處理。

class_weight：可選字典映射類指數（整數）爲權重（浮點數）以適用於模型在訓練期間來自此類的樣本的損失。這可能有助於告訴模型「更關注」來自代表性不足的班級的樣本。

例如：

out = Dense(2, activation='softmax') 
model = Model(input=..., output=out) 
model.fit(X, Y, class_weight={0: 1, 1: 0.5}) 

這將懲罰第二類比第一以下。