我正在使用以下线性分类器进行二元分类，这里是代码片段：

my_optimizer = tf.train.AdagradOptimizer(learning_rate = learning_rate)my_optimizer = tf.contrib.estimator.clip_gradients_by_norm(my_optimizer,5.0)# 创建线性分类器对象linear_classifier = tf.estimator.LinearClassifier(          feature_columns = feature_columns,           optimizer = my_optimizer           )linear_classifier.train(input_fn = training_input_fn, steps = steps)

数据集是不平衡的，只有两个类别：是/否。NO类别的样本数量为36548，而YES类别的样本数量为4640。

我如何对这些数据进行平衡处理？我一直在搜索，找到了关于类权重等相关内容，但没有找到如何创建类权重以及如何将其应用到TensorFlow的训练方法中。

这是我计算损失的方式：

training_probabilities = linear_classifier.predict(input_fn = training_predict_input_fn)training_probabilities = np.array([item['probabilities'] for item in training_probabilities])validation_probabilities = linear_classifier.predict(input_fn=validation_predict_input_fn)validation_probabilities = np.array([item['probabilities'] for item in validation_probabilities])training_log_loss = metrics.log_loss(training_targets, training_probabilities)validation_log_loss = metrics.log_loss(validation_targets, validation_probabilities)

回答：

我假设你使用的是sklearn中的log_loss函数来计算你的损失。如果是这样的话，你可以通过使用sample_weight参数并传递一个包含每个数据点权重的数组来添加类权重。sample_weight是class_weights的展开版本。你可以按照这里给出的方法，通过传递样本权重来计算sample_weight数组。

在你的代码中添加以下几行：

sample_wts = compute_sample_weight("balanced", training_targets)training_log_loss = metrics.log_loss(training_targets, training_probabilities, sample_weight= sample_wts)