La mayoría de las categorías de conjuntos de datos no están equilibradas, y las categorías se pueden equilibrar ajustando el peso de la función de pérdida.
(1) En cada proceso de entrenamiento de la red neuronal, se dan diferentes pesos de clase y se selecciona el mayor resultado como el peso óptimo de clase; sin embargo, el costo del tiempo es muy alto; por lo tanto, las siguientes estrategias se pueden usar para el entrenamiento:
1) El primer entrenamiento no es Modelo ponderado;
2) Luego, proporcione diferentes parámetros de peso de categoría, ajuste la red y seleccione los parámetros de peso óptimos;
(2) La fórmula para calcular el peso de cada categoría de la función de pérdida es:
suponiendo que haya cuatro categorías, el número de categoría correspondiente es a, b, c, d
1) el número total de muestras / (el número de categorías corresponde al número de categorías);
por ejemplo: el peso de la categoría a Es: (a + b + c + d) / (4 a)
2) el número de categorías correspondientes / categorías totales:
por ejemplo: el peso de la categoría a es: (a + b + c + d) / a
3) T = Número de categorías correspondientes / número total de categorías T1 = 1 / (log (k + T))
donde k es una constante mayor que uno, si k es menor que 1, entonces el peso puede parecer negativo, la constante k puede garantizar que la proporción de la muestra sea moderada, log Controle efectivamente la tasa de crecimiento para evitar el problema de la proporción excesiva cuando la diferencia es demasiado grande.
Por ejemplo: el peso utilizado para la categoría a es: T = a / (a + b + c + d) T1_weight = 1 / (log (k + T))
(3) Diseñe una función de pérdida para resolver el problema del desequilibrio de la muestra y el desequilibrio de la muestra difícil
1) pérdida focal
2) GHM (desde la perspectiva del gradiente para resolver la diferencia entre el número de muestras positivas y negativas y la contradicción entre ejemplos fáciles y difíciles)
