Die Tensorflow Funktion tf.nn.weighted_cross_entropy_with_logits()
nimmt das Argument pos_weight
. Die documentation definiert pos_weight
als „ Ein Koeffizient auf den positiven Beispielen zu verwenden.“ Ich nehme an, dies bedeutet, dass eine Erhöhung von pos_weight
den Verlust von falsch-positiven Ergebnissen erhöht und den Verlust von falsch-negativen Ergebnissen verringert. Oder habe ich das rückwärts?Tensorflow: Interpretation von Gewicht in Weighted Kreuzentropie
4
A
Antwort
6
Eigentlich ist es umgekehrt. Unter Berufung auf Dokumentation:
Das Argument
pos_weight
wird als Multiplikator für die positiven Ziele verwendet.
Also, vorausgesetzt, Sie 5
positive Beispiele im Dataset und 7
negativ haben, wenn Sie die pos_weight=2
gesetzt, dann wird Ihr Verlust wäre, als ob Sie 10
positive Beispiele hatten und 7
negativ.
Angenommen, Sie alle positiven Beispiele falsch und alle negativen richtig verstanden habe. Ursprünglich hätten Sie 5
falsche Negative und 0
falsche Positive. Wenn Sie den Wert pos_weight
erhöhen, erhöht sich die Anzahl der falsch negativen Ergebnisse künstlich. Beachten Sie, dass sich der Verlustwert, der von falsch positiven Ergebnissen kommt, nicht ändert.
Verwandte Themen
- 1. Weighted Mape in Tensorflow
- 2. Tensorflow: skalierte Logits mit Kreuzentropie
- 3. Weighted Marker Clusterer
- 4. Schwierigkeit bei der Interpretation der Ausgabe von Tensorflow dynamic_rnn
- 5. Weighted Average in BigQuery
- 6. Weighted verzögerte Berechnung in R
- 7. Weighted Average in Stata Zusammenbruch Befehl
- 8. Hackerrank Weighted Average
- 9. Leaflet Weighted Heatmap JavaScript
- 10. Interpretation von .join()
- 11. Interpretation von intel_gpu_top Ausgang
- 12. Set Gewicht und Bias Tensoren des Tensorflow conv2d Betrieb
- 13. Referenz Interpretation in C++
- 14. Decode und Dispatch Interpretation vs Threaded Interpretation
- 15. Weighted Quick-Union mit Pfadkomprimierungsalgorithmus
- 16. Berechnung Säule (Gewicht/max (Gewicht)
- 17. Interpretation von XCode AddressSanitizer Ergebnisse
- 18. Keras get_weight Interpretation für RNNs
- 19. Interpretation von gc() führt in R
- 20. TypeScript-Interpretation von "diesem" Schlüsselwort in $ .ajax()
- 21. Interpretation von Keyword neu in C++
- 22. Gewicht Umwandlung in Java
- 23. Berechnen der Kreuz-Entropie in TensorFlow
- 24. Layout Gewicht in Gridview
- 25. Gewicht in xml - Android
- 26. Edge Gewicht in Neo4j
- 27. WEKA: Kostenmatrix-Interpretation
- 28. Smart date interpretation
- 29. Interpretation gdb Segmentierungsfehler
- 30. Correspective von Android: Gewicht in JavaFX
Danke. Also, wenn eine für beiden Seiten exklusiven Klassifikator mit mehr als 2 Klassen und 1-heißer Wahrheit Etikett, zunehmender pos_weight hat den Effekt, die Verluste in allen Fällen mit falschen Schätzungen zu verstärken, und Fälle mit korrekten Schätzungen unverändert (weil der Verlust in der Richtig- Schätzfälle ist Null)? –
verstärkt die Verluste in allen Fällen mit * falsch negativen *, aber ja, ich denke schon. – sygi