如何计算多标签的类权重(不平衡数据)?

Question

这个答案解释了我们如何使用类权重来惩罚 Tensorflow 中的错误分类。我使用的数据集更复杂，所以我在使用类权重时仍然有问题。

有7 类{c0， c1， c2， c3， c4， c5， c6}

每个类的样本数为：

所有样本= 98070
C0= 1607

c1= 5292

c2= 4322

c3= 3322

c4= 6629

c5= 7507

c6= 69391

这些类的分布分别： [ 1.6%， 5.4%， 4.4%， 3.4%， 6.7%， 7.6%， 71% ]

Tensorflow 模型将每个测试样本分类为c6，而不使用类权重。 我想用类权重对数来解决这个问题。但是，由于我应该降低多数类的损失并增加少数类的损失，我不知道如何在这里将class_weights用于多类？

换句话说，我想在我的情况下正确计算类权重，并使总和等于 1。阶级权重应该降低多数阶级的损失，增加少数阶级的损失

......注意：：：：

我使用深度学习的全连接层而不是 SVM 进行分类。

Answer 1

weights = tf.gather(1. / class_weights, labels)
loss = tf.losses.sparse_softmax_cross_entropy(
logits=logits, labels=labels, weights=weights)