Python 类别权重恶化了我的keras分类模型

我有一个模型，用于对一些数据进行分类，目标输出为21。它使用adam优化器和分类交叉熵损失。为了改善模型损失，我对数据集中的类频率进行了可视化，发现前两个类的频率约为25000和20000，而最低两个类的频率约为4,40。其他课程从100到2000不等。我意识到这是一个明显的值差异，并尝试添加我使用sklearn提取的类权重，如下所示：

我的y数组采用一种热编码样式，类似于：

class1、class2、class3、class4。。。类别21
0        0       1       0    ...    0
1        0       0       0    ...    0
0        1       0       0    ...    0

从sklearn.utils.class\u权重导入计算\u class\u权重
y_int=np.argmax（y.to_numpy（），轴=1）
权重=计算类权重（'balanced'，类=np.unique（y\u int），y=y\u int）
di=dict（枚举（类权重））

但是我的损失越来越严重，到了第50个纪元，我开始得到30-50之间的损失值。这是可怕的，相比之下，没有类权重，我得到了约0.4

我提取类权重的方法有问题吗？或者我不应该完全使用类权重？ 如果不是，我应该用什么来解释这种巨大的不平衡？

---

-谢谢

Keras打印训练期间的加权损失；您可以通过（例如）将所有类权重加倍来确认这一点。因此，加权模型的较大损失可能只是表明较小的类别更难分类，现在您将损失的注意力集中在那些较小的类别上，您会看到较差的分数。

您从哪里获得损失分数？它们可能是加权损失吗？当我使用model.fit（）在keras中训练我的深度学习模型时，我得到了损失分数，这不是“加权损失”，我使用的是“分类交叉熵”损失。哇，谢谢。因此，最好的选择是完全删除类权重，因为它有一个艰难的时期？不一定；类权重的使用是为了迫使模型更加关注那些小类的正确性。这取决于您的用例是否是您想要的。损失大多是无与伦比的；如果可以，请使用特定于上下文的度量。