keras中模型训练class_weight,sample_weight区别说明
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)
官方文档中：
class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）。该参数在处理非平衡的训练数据（某些类的训练样本数很少）时，可以使得损失函数对样本数不足的数据更加关注。
sample_weight：权值的numpyarray，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为（samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode='temporal'。
class_weight---主要针对的上数据不均衡问题，比如：异常检测的二项分类问题，异常数据仅占1%，正常数据占99%;此时就要设置不同类对loss的影响。
sample_weigh---主要解决的是样本质量不同的问题，比如前1000个样本的可信度，那么它的权重就要高，后1000个样本可能有错、不可信，那么权重就要调低。
补充知识：Keras中数据不均衡时，metrics，class_weight的设置方法
当数据处理不均衡时，比如处理癌症训练问题，有病样本很少，参考：
http://www.deepideas.net/unbalanced-classes-machine-learning/
主要从两个方面着手：
一、loss函数的权重问题
训练时，设置的权重：
class_weight={
1:n_non_cancer_samples/n_cancer_samples*t
}
二、编译时设置模型的metrics
defsensitivity(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))) returntrue_positives/(possible_positives+K.epsilon()) defspecificity(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))) returntrue_negatives/(possible_negatives+K.epsilon()) model.compile( loss='binary_crossentropy', optimizer=RMSprop(0.001), metrics=[sensitivity,specificity] )
以上这篇keras中模型训练class_weight,sample_weight区别说明就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。