上升a类

Question

我构建了一个TensorFlow模型，它使用DNNClassifier将输入分为两类。在

我的问题是结果1在90-95%的情况下都会发生。因此，TensorFlow给了我所有预测的相同概率。在

我试图预测另一个结果（例如，结果2的假阳性比漏掉结果2的可能发生要好）。我知道在一般的机器学习中，在这种情况下，尝试提高结果2的权重是值得的。在

但是，我不知道如何在TensorFlow中实现这一点。documentation暗指它是可能的，但我找不到任何实际情况的例子。有没有人成功地做到了这一点，或者有人知道我在哪里可以找到一些示例代码或一个彻底的解释（我使用的是Python）？在

注意：我见过当有人使用TensorFlow的更基本的部分而不是一个估计器时，暴露的权重被操纵。出于维护的原因，我需要使用一个估计器。在

Answer 1

^{}构造函数具有weight_column参数：

weight_column: A string or a _NumericColumn created by tf.feature_column.numeric_column defining feature column representing weights. It is used to down weight or boost examples during training. It will be multiplied by the loss of the example. If it is a string, it is used as a key to fetch weight tensor from the features. If it is a _NumericColumn, raw tensor is fetched by key weight_column.key, then weight_column.normalizer_fn is applied on it to get weight tensor.

所以只需添加一个新列，并为稀有类填充一些权重：

weight = tf.feature_column.numeric_column('weight')
...
tf.estimator.DNNClassifier(..., weight_column=weight)

[Update]下面是一个完整的工作示例：

^{pr2}$