
问题表示设计模式
|
129
num_minority_examples = 1
num_majority_examples = 999
total_examples = num_minority_examples + num_majority_examples
minority_class_weight = 1/(num_minority_examples/total_examples)/2
majority_class_weight = 1/(num_majority_examples/total_examples)/2
#
将权值以字典的形式传回
Keras
#
键是每个类别的索引
keras_class_weights = {0: majority_class_weight, 1: minority_class_weight}
然后在训练期间将这些权值传递给我们的模型:
model.fit(
train_data,
train_labels,
class_weight=keras_class_weights
)
在
BigQuery ML
中,当创建模型时,我们可以在
OPTIONS
块中设置
AUTO_CLASS_
WEIGHTS = True
,以根据它们在训练数据中出现的频率对不同的类别进行加权。
遵循启发式的类别平衡来设置权值是有帮助的,而模型的业务应用也可以指导我们
选择和分配类别的权值。例如,假设我们有一个对有缺陷产品的图像进行分类的模型。
如果一个有缺陷产品的运费是那些被错误分类的正常产品的 ...