Tensorflow Keras分类神经网络中为了更好的召回率而进行的精度交易

精确性和召回率之间总是有一个折衷。我正在处理一个多类的问题，对于某些类，我有完美的精确度，但召回率很低

---

因为对于我的问题来说，误报的问题要比漏报的问题小，所以我希望降低精确度，以利于提高某些特定类的召回率，同时尽可能保持其他类的稳定性有哪些方法可以用精度来换取更好的召回率？

您可以在分类器输出层的置信度得分上使用阈值，并以不同的阈值绘制精度和召回率。可以对不同的类使用不同的阈值

---

你也可以把Tensorflow看作一个损失函数。如上所述，它使用权重，通过向上或向下加权正错误相对于负错误的成本来权衡召回率和准确度。

您的问题似乎属于交叉验证问题，也与TF或Keras无关。一些建议是在CV上寻找这种折衷，尤其是查找过采样/欠采样。