我对神经网络很陌生。我正在tensorflow中训练一个网络，但在我的数据集中(这是一个医学数据集(，阳性示例的数量远少于阴性示例。所以，我知道根据精确度和召回率计算的F分数是衡量模型训练效果的一个很好的指标。我以前使用过交叉熵损失或MSE等误差函数，但它们都是基于精度计算的(如果我没有错的话(。但是我该如何使用这个F分数作为误差函数呢？有张量流函数吗？或者我必须创建一个新的？
提前谢谢。
似乎已经成功地设计并使用了直接优化这些类型指标的方法，提高了评分和/或训练时间：
https://www.kaggle.com/c/human-protein-atlas-image-classification/discussion/77289
https://www.kaggle.com/c/human-protein-atlas-image-classification/discussion/70328
https://www.kaggle.com/rejpalcz/best-loss-function-for-f1-score-metric
一种这样的方法涉及使用概率的总和来代替计数，用于真阳性、假阳性和假阴性度量的集合。例如，Fβ损失(F1的推广(可以用Python中的Torch计算如下：
def forward(self, y_logits, y_true):
y_pred = self.sigmoid(y_logits)
TP = (y_pred * y_true).sum(dim=1)
FP = ((1 - y_pred) * y_true).sum(dim=1)
FN = (y_pred * (1 - y_true)).sum(dim=1)
fbeta = (1 + self.beta**2) * TP / ((1 + self.beta**2) * TP + (self.beta**2) * FN + FP + self.epsilon)
fbeta = fbeta.clamp(min=self.epsilon, max=1 - self.epsilon)
return 1 - fbeta.mean()
本文介绍了一种替代方法：
https://arxiv.org/abs/1608.04802
所采取的方法优化了统计数据的下限。还讨论了AUROC和AUCPR等其他指标。这种方法在TF中的实现可以在这里找到：
https://github.com/tensorflow/models/tree/master/research/global_objectives
我认为您混淆了用于分类的模型评估指标与训练损失。
准确度、精确度、F分数等是根据二元结果和二元预测计算的评估指标。
对于模型训练，您需要一个函数来比较连续得分(您的模型输出(和二元结果(如交叉熵(。理想情况下，如果预测的平均值与总体平均值匹配(给定协变量(，则对其进行校准，使其最小化。这些规则被称为适当的评分规则，交叉熵就是其中之一。
还要检查线程是否安全-不正确-循环-二进制规则-分类-设置
如果你想以不同的方式衡量阳性和阴性病例，有两种方法是
- 对少数类进行过采样，并在预测新示例时更正预测概率。对于更高级的方法，请查看
imbalanced-learn的欠采样模块以获得概述 - 对于训练失利，使用不同的正确评分规则。这允许在保持校准的同时，在如何处理阳性和阴性病例方面建立不对称性。以下是对该主题的回顾
我建议在实践中只使用简单的过采样。
损失值和准确性是一个不同的概念。损失值用于训练NN。然而，准确性或其他指标是对训练结果的评估。