加权铰链损失函数

我定义的基本铰链损失函数如下：

def hinge(y_true, y_pred):        return tf.maximum(0., 1- y_true*y_pred)

我正在训练一个支持向量机（SVM）来预测一个事件。我的y值在属于该类别时为1，在不属于该类别时为-1。我的类别分布不平衡，-1的样本远多于+1的样本。

因此，我想对+1的损失施加更高的惩罚。但我不知道具体如何修改我的铰链损失函数。我能想到的最好方法是，

X = (# of non event samples) / (# of event samples)if(y_true*y_pred > 0):    return tf.maximum(0., 1- y_true*y_pred)*X

这意味着，如果我有100个非事件样本和10个事件样本，那么X = 100/10 = 10。如果y_true = 1，那么损失就是hingeloss*10。

这样做对吗？还是有更好的方法？

回答：

考虑这样做：

def hinge(y_true, y_pred):        return tf.multiply((11/9+y_true)*9/2,tf.maximum(0., 1- y_true*y_pred))

这里的逻辑是，如果y_true是1，我们希望乘以10，如果是-1，则乘以1。你可以验证，当y_true是-1时，(11/9+y_true)*9/2的值为1，当它是1时，值为10。如果你对如何得出表达式中的11/9感兴趣，这是通过解线性方程得到的，所需的偏移量s为：

10(s + (-1))=1(s+1)。

学技术