我正在为多标签分类问题训练神经网络，所以我的最后一层由n_classessigmoid 神经元组成。
现在，我知道由于噪音和我的特征缺乏可预测的能力，不可能完成学习任务。但是，我假设可预测的能力应该足以至少对某些数据点做出良好的预测。即使这些案例只是少数，如果神经网络至少能获得确定性（高精度）并且由于难度（低召回率）而错过绝大多数情况，我会很高兴。
当然，我可以正常训练模型，然后设置符合我目标的阈值，但这并不能说服我。我想在训练过程中介绍这个目标。如果某些点难以分类，我希望我的神经网络在训练期间发现这一点，忘记它们并专注于其他更可行的情况。
到目前为止，我唯一的想法是通过标签平滑使训练对异常值具有鲁棒性。
像这样在训练期间影响模型的任何其他想法？
我认为您有两个不相互排斥的选择：
在训练期间不断检查验证数据的精度/召回指标。这样，在实验和超参数调整期间，您将选择更利于精确度而不是召回率的模型。
自定义您的损失函数，以正确的方式校正模型。问题是precision、recall、F1 score，它们都是不可微的函数，即它们不能按原样进入损失函数。出于这个原因，一些人试图以可微的方式近似这些指标。如本文所述，一个示例是soft-F1 分数。如果您阅读功能代码，您会发现 TP、TN、FP、FN 的可微近似。您可以复制这些行来自定义您的个性化伪精度损失函数。
编辑 作为您目标的第一个近似值并且不需要太多努力，我会尝试自定义您的验证指标功能（例如，根据您想要的，一个对精度和召回应用不同权重的指标）并通过指标传递它网络的输入参数。