提高神经网络输出中负类的精度答案

【问题标题】：Improve Precision of Negative class in Neural Network Output提高神经网络输出中负类的精度
【发布时间】：2021-04-25 03:17:33
【问题描述】：

我已经训练 CNN 来预测音调（负、中性、正），并且我有 4 种不同的 CNN 模型，它们的架构和数据集略有不同。这些模型在大多数测试用例中运行良好，并提供了预期的输出。代码：

# 0 is for Negative
# 1 is for Neutral
# 2 is for Positive

print(model.predict(x),model.predict_classes(x))

我从所有 4 个模型中得到的输出如下。

[[1.0000000e+00 2.4311501e-12 1.3999395e-16]] [0]
[[4.4723673e-04 5.5520708e-08 9.9955267e-01]] [2]
[[5.34977562e-06 1.20891924e-29 9.99994636e-01]] [2]
[[9.9999642e-01 2.8299738e-24 3.6233271e-06]] [0]

我想做的是为正类和中性类预测神经元提供更多权重，以便我的模型更倾向于预测正类和中性类输出而不是负类输出。我想知道操纵概率的正确方法是什么，以便模型仅在 100% 确定其为负时才输出负。因此，与其他类相比，我希望我的模型在预测负类时更精确，同时在最终预测中平等地纳入所有 4 个模型的概率。

【问题讨论】：

标签： python tensorflow neural-network precision precision-recall

【解决方案1】：

将损失函数更改为tf.nn.weighted_cross_entropy_with_logits()

【讨论】：

我正要使用它，但后来我看到它提到了不平衡的数据，这让我很失望，因为我的数据是平衡的，所以我想一旦我从所有这些模型中获得预测分数，我就可以设置一些阈值获得所需的功能，我不必再次训练模型。