我正在开发一个神经网络，用于预测-1到1之间的数值。然而，我真正关注的是数值范围的两端，即-1到-0.7之间和0.7到1之间。

例如，如果0.6被预测为0.1，我并不介意。但是，我确实需要知道它是0.8还是0.9。

我的数据分布大致是正态分布，因此在我不关心精度的范围内有更多的样本。因此，训练过程似乎更可能导致中心区域的精度更高。

我该如何配置训练或设计我的预期结果来克服这个问题呢？

非常感谢。

回答：

你可以将观察值分配到十分位，将问题转化为分类问题，并在损失函数中为你关心的范围分配更大的权重，或者在训练过程中简单地对它们进行过采样。默认情况下，我会选择在损失函数中对类别进行加权，因为这很容易与加权度量匹配。如果你知道训练数据的分布与真实数据分布不同，过采样可能会有用。

要在Keras中为损失函数中的某些类别分配更大的权重，你可以向Model.fit传递class_weight参数。如果标签0是第一十分位，标签9是最后一十分位，你可以将第一和最后两个十分位的权重加倍，如下所示：

class_weight = {    0: 2,    1: 2,    2: 1,    3: 1,    4: 1,    5: 1,    6: 1,    7: 1,    8: 2,    9: 2}model.fit(..., class_weight=class_weight)

要对某些类别进行过采样，你需要在批次中比类别分布所建议的更频繁地包含它们。实现这一点的最简单方法是使用numpy.random.choice来抽样观察索引，该函数有一个可选参数，可以为每个条目指定概率。（请注意，Keras的Model.fit还有一个sample_weight参数，你可以为训练数据中的每个观察值分配权重，这些权重将在计算损失函数时应用，但其预期用例是根据标签的置信度来加权样本，所以我认为这里不适用。）