只对类中的阴性或阳性样本进行加权

Question

我尝试实现的算法处理数据集中的类不平衡。我有40个类的CelebA数据集，这是一个多标签数据集，希望动态平衡数据集。我正在使用keras，但是很难想出正确的逻辑来解决问题。在

算法

• 类中的阳性和阴性样本应该相等
• 如果一个类中的正样本实例较多，那么只需从中选择目标数量的样本并加权负实例，即如果批量大小为100，且一个类中有70个正实例和30个负实例，则从正实例中随机选择50个，并将权重50/30=5/3分配给负样本反之亦然

问题

• 我正在使用Keras来实现一个深度学习问题与上述算法。我怎样才能像使用sample\u weights那样，只为负实例或正实例分配权重，而不是所有实例。在
• 如果我试图通过简单的复制来平衡样本，那么我会遇到某种循环悖论，也就是说，如果我通过移除样本来平衡一类过度表示的实例，那么另一类可能会被低估，而当我复制这个新的低表示类时，前一个类可能会被过度表示。在

请让我知道什么是最有效的方法来解决所提到的算法在Keras。如需进一步帮助，请查看以下研究论文：https://www.cs.umd.edu/~emhand/Papers/AAAI2018_SelectiveLearning.pdf?fbclid=IwAR13MMtV4TpVSerMZqgmt_t1-8VhD-XUQYJ4qORjXz-mbMDv1W7JqgwrSN8

算法在第3页的批次平衡标题下说明。在

Answer 1

可以使用类权重，例如：

    model.fit(X_train, y_train, class_weight=class_weights)

其中类权重是字典。例如，class_weights={0:4，1:10，2:1}，这意味着对于类0中的每4个样本，我们在类1中有10个样本，在类2中有1个样本。在

在您的特定示例中，您可以只为感兴趣的正类和负类设置适当的参数。在