機器學習：如何在誤差計算中包含靈敏度或特異性？

Question

我有一個用於分類的神經網絡的工作模型。目前，我已經應用了交叉熵來計算測試結果（模型輸出）和條件結果（真實輸出）之間的誤差。該模型用於二元分類，但將擴展爲處理多個類。到目前爲止，在MATLAB使用交叉熵的計算錯誤：

err = sum(y.*log(h(x)) + (1-y).*log(1-h(x)))

我想的模型，它可以分類或檢測出更多的誤報然後漏報這樣的方式來執行。我知道有所謂的混淆矩陣在哪裏我可以指定一切，但我不知道這可能如何對應於錯誤計算。任何建議都非常歡迎:)

乾杯！

Answer 1

通過引入標量類的權重，可以對正類進行高於或低於負類的權重。由於

y .* log(h(x)) 

代表在積極訓練樣本的損失和

(1 - y) .* log(1 - h(x)) 

是否定訓練樣本的損失，

err = -sum(w .* y .* log(h(x)) + (1 - y) .* log(1 - h(x))) 

引起積極的訓練樣本比更重要當w>1爲負值時，w<1時不太重要。確保您相應地修改衍生產品。