为什么训练 MLP 时 categorical_accuracy 很低？

Question

我正在 keras 中训练 3 层 MLP。数据集严重不平衡，希望提高模型的可检测率。

每当我将目标/自变量编码为数字（即从字符串映射到数字）时，categorical_category 得分接近 0.37。使用 category_optimizer。

当我将目标/自变量更改为分类（即一个热编码）时，报告的分数飙升至 0.90。

但是，少数类别（也是最重要的类别）之一没有被正确分类或根本没有分类。

我正在研究召回分数而不是精度。

采用的其他技术：类权重和对少数类进行上采样。

我发现没有单一编码的目标变量更容易工作。

共5类（1类代表多数，其他4类代表异常，少数）

Answer 1

您需要在所有分类问题中使用 one-hot 编码，否则您将暗示您的类中根本不存在的数字结构和顺序（即 数字 2 比 4 更接近 1，但对于 class 2 到 1 和 4 的情况并非如此）。您仍然可以重新采样您的数据或使用每类加权来提高召回率和准确率。