Блог

У меня есть следующая модель с 28 выходами. Каждый вывод имеет 3 очень несбалансированных класса. Итак, я использую dict весов выборки — один массив весов выборки на вывод — в as sample_weight в fit функции. y_train и y_valid представляют собой списки из 28 массивов с одноразовым кодированием.

Независимо от того, использую я sample_weight или нет, модель всегда предсказывает наиболее частый класс во всех 28 метках. Поэтому я думаю, что я неправильно использую sample_weight. Я также пытался уменьшить или увеличить скорость обучения, но это не дало никакого эффекта… Следовательно, с моими весами должно быть что-то не так, но что это?

 #create sample weights
from sklearn.utils import compute_sample_weight

train_weight = {}
for i in range(0,28):
    train_weight[i] = compute_sample_weight('balanced', y_train[i])

valid_weight = {}
for i in range(0,28):
    valid_weight[i] = compute_sample_weight('balanced', y_valid[i])  

#Model:  

Earlystop = EarlyStopping(monitor='val_loss', patience=20, mode='min', mverbose=1, min_delta=0.02, restore_best_weights=True)
checkpoint = ModelCheckpoint('nn_statarb', monitor='val_loss', verbose=1, save_best_only=True, mode='min', save_weights_only=False)
optimizer = optimizers.Adam(lr=0.00001, beta_1=0.9, beta_2=0.999, epsilon=1e-8, decay=5e-8, amsgrad=False)

input_ = Input(batch_shape=(batch_size, 1, 1, X_train.shape[3], X_train.shape[4])) 

cnn = Sequential()
cnn.add(Conv2D(16, kernel_size=(5, X_train.shape[4]), padding='same', 
data_format="channels_first", input_shape = (1, X_train.shape[3], 
X_train.shape[4])))
cnn.add(LeakyReLU(alpha=0.01))
cnn.add(Conv2D(16, (1, 1)))
cnn.add(LeakyReLU(alpha=0.01))
cnn.add(Conv2D(16, (10, 2), padding='same'))
cnn.add(Flatten())
rnn = Sequential()
rnn.add(LSTM(X_train.shape[4], return_sequences=False, stateful=True, batch_size=batch_size))
rnn.add(Reshape((1, -1, X_train.shape[4])))

pricemodel = TimeDistributed(cnn)(input_) 
pricemodel = rnn(pricemodel) 
pricemodel = Model(inputs=input_, outputs=pricemodel)
out_ = pricemodel(input_)

tower_1 = Conv2D(64, (1,1), padding='same', activation='relu')(out_)
tower_1 = Conv2D(64, (3,3), padding='same', activation='relu')(tower_1)
tower_2 = Conv2D(64, (1,1), padding='same', activation='relu')(out_)
tower_2 = Conv2D(64, (5,5), padding='same', activation='relu')(tower_2)
tower_3 = MaxPooling2D((3,3), strides=(1,1), padding='same')(out_)
tower_3 = Conv2D(64, (1,1), padding='same', activation='relu')(tower_3)

output = concatenate([tower_1, tower_2, tower_3], axis=1)
output = Flatten()(output)

x1 = Dense(3, activation='softmax')(output)
x2 = Dense(3, activation='softmax')(output)
x3 = Dense(3, activation='softmax')(output)
x4 = Dense(3, activation='softmax')(output)
x5 = Dense(3, activation='softmax')(output)
x6 = Dense(3, activation='softmax')(output)
x7 = Dense(3, activation='softmax')(output)
x8 = Dense(3, activation='softmax')(output)
x9 = Dense(3, activation='softmax')(output)
x10 = Dense(3, activation='softmax')(output)
x11 = Dense(3, activation='softmax')(output)
x12 = Dense(3, activation='softmax')(output)
x13 = Dense(3, activation='softmax')(output)
x14 = Dense(3, activation='softmax')(output)
x15 = Dense(3, activation='softmax')(output)
x16 = Dense(3, activation='softmax')(output)
x17 = Dense(3, activation='softmax')(output)
x18 = Dense(3, activation='softmax')(output)
x19 = Dense(3, activation='softmax')(output)
x20 = Dense(3, activation='softmax')(output)
x21 = Dense(3, activation='softmax')(output)
x22 = Dense(3, activation='softmax')(output)
x23 = Dense(3, activation='softmax')(output)
x24 = Dense(3, activation='softmax')(output)
x25 = Dense(3, activation='softmax')(output)
x26 = Dense(3, activation='softmax')(output)
x27 = Dense(3, activation='softmax')(output)
x28 = Dense(3, activation='softmax')(output)

model = Model(inputs=input_, outputs=[x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12, x13, x14, x15, x16, x17, x18, x19, x20, x21, x22, x23, x24, x25, x26, x27, x28])
model.compile(loss='categorical_crossentropy', optimizer=optimizer,  metrics=['accuracy'])
history = model.fit(X_train, y_train, epochs=200, batch_size=batch_size, verbose=2, shuffle=False, validation_data=[X_valid, y_valid, valid_weight], callbacks=[Earlystop, checkpoint], sample_weight=train_weight)
  

Я думаю, что именно так вы используете compute_sample_weight ( https://scikit-learn.org/stable/modules/generated/sklearn.utils.class_weight.compute_sample_weight.html ) похоже, вы вызываете его для каждого образца. Вместо этого вы хотите вызвать его для всего набора меток сразу, что-то вроде:

     weights = compute_sample_weight(class_weight="balanced", y=y_train)
  

В противном случае, если вы вызываете compute_sample_weight для каждого образца отдельно, как он может узнать распределение?