keras中模型訓練class_weight和sample_weight有什么區別

這篇文章主要為大家展示了keras中模型訓練class_weight和sample_weight有什么區別，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。

keras 中fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0,

validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0,

steps_per_epoch=None, validation_steps=None)

官方文檔中：

class_weight：字典，將不同的類別映射為不同的權值，該參數用來在訓練過程中調整損失函數（只能用于訓練）。該參數在處理非平衡的訓練數據（某些類的訓練樣本數很少）時，可以使得損失函數對樣本數不足的數據更加關注。

sample_weight：權值的numpy array，用于在訓練時調整損失函數（僅用于訓練）?？梢詡鬟f一個1D的與樣本等長的向量用于對樣本進行1對1的加權，或者在面對時序數據時，傳遞一個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請確定在編譯模型時添加了sample_weight_mode='temporal'。

class_weight---主要針對的上數據不均衡問題，比如：異常檢測的二項分類問題，異常數據僅占1%，正常數據占99%; 此時就要設置不同類對loss的影響。

sample_weigh---主要解決的是樣本質量不同的問題，比如前1000個樣本的可信度，那么它的權重就要高，后1000個樣本可能有錯、不可信，那么權重就要調低。

補充知識：Keras 中數據不均衡時，metrics，class_weight的設置方法

當數據處理不均衡時，比如處理癌癥訓練問題，有病樣本很少，參考：

http://www.deepideas.net/unbalanced-classes-machine-learning/

主要從兩個方面著手：

一、loss函數的權重問題

訓練時，設置的權重：

class_weight={
  1: n_non_cancer_samples / n_cancer_samples * t
}

二、編譯時設置模型的metrics

def sensitivity(y_true, y_pred):
  true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
  possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
  return true_positives / (possible_positives + K.epsilon())

def specificity(y_true, y_pred):
  true_negatives = K.sum(K.round(K.clip((1-y_true) * (1-y_pred), 0, 1)))
  possible_negatives = K.sum(K.round(K.clip(1-y_true, 0, 1)))
  return true_negatives / (possible_negatives + K.epsilon())
model.compile(
  loss='binary_crossentropy',
  optimizer=RMSprop(0.001),
  metrics=[sensitivity, specificity]
)

以上就是關于keras中模型訓練class_weight和sample_weight有什么區別的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。