我有一个GRU网络，它接收一系列数据，并将其标记为类别0或类别1。我希望模型对类别0有很高的特异性（至少≥0.8），同时确保它仍然具有良好的敏感性（希望接近0.5）。

我如何在Tensorflow中实现这一点？是否有办法让损失函数由单一类别的特异性和敏感性的组合来决定？我对类别1的预测准确性并不关心，但在这种情况下，当预测为类别0时，预测的正确性非常重要，同时还需要有相当数量的类别0预测（至少在标签为类别0时有一半的时间预测为类别0）。

任何帮助都将不胜感激。

以下是我目前相关的代码：

states_concat = tf.concat(axis=1, values=states)logits = tf.layers.dense(states_concat, n_outputs)softmax = tf.nn.softmax(logits=logits)xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)loss = tf.reduce_mean(xentropy)#通过梯度裁剪设置优化器，以减少值爆炸的可能性optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate, momentum=0.9, use_nesterov=True)

回答：

我自己回答了这个问题。

对于遇到此问题的其他人，有用的术语还有精确度和召回率，其中精确度测量的是：真阳性/(真阳性 + 假阳性)，而召回率测量的是敏感性。

帮助我的链接如下：https://www.quora.com/How-do-I-penalize-false-positive-in-deep-learning-tensorflowhttps://www.tensorflow.org/api_docs/python/tf/nn/weighted_cross_entropy_with_logits