Keras / Tensorflow：优化器学习以获得更好的灵敏度和特异性？

Question

目前我是这样学习的：

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          shuffle='batch',
          validation_data=(x_test, y_test),
          callbacks=callbacks)

每个时期都会输出这些指标，所以我知道它的表现如何：

from sklearn.metrics import confusion_matrix

predictions = model.predict(x_test)
y_test = np.argmax(y_test, axis=-1)
predictions = np.argmax(predictions, axis=-1)
c = confusion_matrix(y_test, predictions)
print('Confusion matrix:\n', c)
print('sensitivity', c[0, 0] / (c[0, 1] + c[0, 0]))
print('specificity', c[1, 1] / (c[1, 1] + c[1, 0]))

根据我的架构，我在 epoch 93 或 155 获得更好的结果；然后它变得更糟。很明显我的metrics 是错误的。

我如何从每个时期的敏感性和特异性结果中学习？

Answer 1

要从敏感性和特异性结果中学习，您可以编写一个自定义损失函数，其中根据您的混淆矩阵结果计算损失。或者，您可以尝试 keras model.fit() 中的 class_weight 参数，并根据您的模型发现哪些类更难学习，为类分配不同的权重。