matlab - 机器学习：如何在误差计算中包含敏感性或特异性？

Question

我有一个用于分类的神经网络工作模型。目前，我已经应用交叉熵来计算测试结果（模型输出）和条件结果（真实输出）之间的误差。该模型用于二进制分类，但将扩展为处理多个类。到目前为止，误差是在 MATLAB 中使用交叉熵计算的：

err = sum( y.*log(h(x)) + (1-y).*log(1-h(x)) )

我希望模型能够以这样的方式执行，即它可以分类或检测更多的误报，然后是误报。我知道有所谓的混淆矩阵，我可以在其中指定所有内容，但我不知道这如何对应于错误计算。非常欢迎任何建议:)

干杯!

Answer 1

您可以通过引入标量类权重来衡量正类高于或低于负类。自从

y .* log(h(x))

表示正训练样本的损失和

(1 - y) .* log(1 - h(x))

是负训练样本的损失，

err = -sum(w .* y .* log(h(x)) + (1 - y) .* log(1 - h(x)))

导致正样本在 时比负样本更重要，在 时w>1不重要w<1。确保您相应地修改导数。