Neural network 基于不平衡数据集的神经网络输出校正

我有一个包含4个类的数据集，假设它们在训练集中的分布是

p_{prior}（C1）=60%

p_{prior}（C2）=25%

p{prior}（C3）=10%

p_{prior}（C4）=5%

我在数据集上训练了一个CNN（无重采样，即网络在真实分布上训练），现在我想预测看不见的数据。通常，我们将数据分配给得分/概率最高的班级，但假设我从网络中获得一个关于未看到数据的结果，$X$as：

p（C1）=50%

p（C2）=10%

p（C3）=10%

p（C4）=30%

我们在此注意到，

C4

的概率比随机

C4

的概率大6个计时器，

C1

的概率比随机

C1

的概率低。因此，我建议将标签设置为

C4

，即使

P（C1）>P（C4）

我的问题是,；这是错误的吗？我们总是选择最高的分数，还是通过他们的先验分布（即设置）来衡量每个结果是有意义的

f（C1）=p（C1）/p{prior}（C1）=0,83

f（C2）=p（C2）/p{prior}（C2）=0,4

f（C3）=p（C3）/p{prior}（C3）=1

f（C4）=p（C4）/p{prior}（C4）=6

现在在此处指定f分数最高的标签，即

C4

（如果是平局，则选择较大的

p（Ci）

）