Neural network 如何强调神经网络中一类的纯洁性？

我想用神经网络把A、B、C三类分类（有监督的）。传统的标准是交叉熵。但是如果我更关心的是B->A，C->A的假率（B假到A，C假到A）和A->A的真率（A存活率）。我希望尽可能地抑制虚假率，但真实率可以很小，如虚假率=0.000001，但真实率=0.5

---

我能做些什么（比如改变损耗函数或网络结构？

你能说得更清楚些吗？你是说：“预测B为预期A”和“预测C为预期A”比预测中的所有其他错误都重要得多吗？@Daniel对不起，我的英语很差，我对“预测B为预期A”有点困惑。我的意思是：B假成A的比率和C假成A的比率比其他比率重要得多。（请想象一个3by3混淆矩阵，九个元素中的两个元素比其他元素重要得多）。例如，如果每个类的数量是10K，但200B被分类为A，那么B到A的伪率是200/10K=2%。我正在考虑创建一个自定义损失函数，将预测向量与转置的预期向量进行乘积。这将创建9 x 9矩阵。然后找出这个9 x 9的哪些元素是相关的，然后创建一个带有权重的常量矩阵（9x9）。重要的事情要用大重量，其余的事情要用小重量。按元素乘以另一个矩阵，然后应用均方和或类似的东西（我会尝试研究并添加一个答案，但时间很短。）-对于操作的帮助：这听起来是个好主意。我要做一些研究！非常感谢。当你说“B假成a”时，真实值（预期值）是多少，计算值（预测值）是多少？