Machine learning 二元分类

我目前正试图利用卫星图像识别苹果园。我面临的一个小问题是每个班级代表性数据的数量

事实上，我的问题是：

在我的“非苹果”类中，是否有可能在每个时代随机拍摄一些不同的图像，因为我有更多的论文（与“苹果”类相比），我希望增加网络将不具有代表性的图像分类的概率

---

提前感谢您的帮助

，这在Keras中是不可能的。默认情况下，Keras将洗牌您的训练数据，然后以小批量方式进行训练。但是，仍然有一些方法可以重新平衡数据集

您面临的训练数据不平衡问题非常常见。你有很多选择；我列举了以下几点：

您可以使用

model.fit（）

函数的

class\u weight

关键字调整类的相对权重

您可以“向上采样”您的“苹果”类或“向下采样”您的“非苹果”类，以便在培训期间两个类的数量相等

您可以生成“apples”类的合成图像以扩充数据集。为此，Keras中的类可能特别有用。这是对其用法的一个很好的介绍 根据我的经验，我发现2和3是最有用的#1受到这样一个事实的限制，即当使用两个数量级不同的类权重和较小的批量时，随机梯度下降的收敛会受到影响

---

杰森·布朗利（Jason Brownlee）已经将这些信息整合在一起，可能对您也很有用。

谢谢！我将扩充我的苹果数据集，这似乎是个好计划：）