【发布时间】：2017-04-03 13:57:04
【问题描述】：
Tensorflow 函数 tf.nn.weighted_cross_entropy_with_logits() 接受参数 pos_weight。 documentation 将pos_weight 定义为“用于正样本的系数。”我认为这意味着增加pos_weight 会增加误报的损失并减少误报的损失。还是我倒过来了？
【问题讨论】：
标签： tensorflow
【发布时间】：2017-04-03 13:57:04
【问题描述】：
实际上，恰恰相反。引用文档：
参数
pos_weight用作正数的乘数 目标。
因此，假设您的数据集中有5 正样本和7 负样本，如果您设置pos_weight=2，那么您的损失将就像您有10 正样本和7 负样本一样。
假设你把所有的正面例子都弄错了，而所有的负面例子都是对的。最初你会有5 误报和0 误报。当您增加pos_weight 时，漏报的数量会人为增加。请注意，来自误报的损失值不会改变。
【讨论】：
-
谢谢。因此，如果使用具有超过 2 个类和 1-hot 真实标签的互斥分类器，增加 pos_weight 具有放大所有估计错误的情况下的损失的效果，而估计正确的情况保持不变（因为正确的损失 -估计案例为零）？
-
用假阴性放大所有情况下的损失，但是是的，我想是的。