我有一个分类问题需要进行一些优化，因为我的结果不太理想。我使用DNNClassifier来处理一个庞大的数据集，以对项目进行5个不同类别（标签）的分类。我有超过2000个不同的项目（在一个大小为2000，维度为6的哈希桶列中 – 这是否足够？），并且有多个数值列用于该分类。我的问题如下：每个类别的项目数量差异很大。第一类非常常见，第二类也很常见，但第三、四、五类非常罕见（占数据集不到2%），但它们在我的测试案例中是最有趣的。即使我调整了网络大小/神经元数量或训练周期，我在第三、四、五类几乎没有得到任何结果，因此第一类和第二类明显过拟合了。我在文档中看到了weight_column选项 – 调整这三个类的学习权重以“规范化”每个类别的权重是否是个好主意？有没有更有效的方法来提高罕见案例的结果，同时不损失对常见类别的检测精度？非常感谢！

回答：

你提到的方法被认为是解决这个问题的其中一种方法，因为这可以防止你的计算梯度被第一类和第二类所主导。根据你的数据，向代表性不足的样本添加一些高斯噪声以创建相似的样本可能是有效的。一般来说，避免过拟合的另一个好方法是应用dropout，如果你还没有这样做的话。