我正在研究 Keras 中的多标签问题，使用带有 sigmoid 激活的二元交叉熵损失函数。假设我有 4 个类，所以响应可能如下所示：

[1, 0, 0, 1]

尽管绝大多数响应实际上都是零

[0, 0, 0, 0]

不同类别之间的数据也非常不平衡，如果我对 y 进行求和，每个类别中的阳性总数看起来像这样

[2000, 500, 1000, 250]

因此，为了给每个班级同等的权重，我认为我应该构建一个类似字典的

weights = {0: 2.5, 1: 10., 2: 5., 3: 20}

并将其提供给 Keras 中的 class_weight 参数。

这是我的问题：

如果我的响应变量是二进制的（例如只有第一类），我需要提供一个字典，该字典定义了 0 和 1 的因子

weights = {0: 1, 1: 2.5}

我认为这意味着正样本的权重高于负样本。但是，加权样本如何与多标签（或多类）一起使用？因为在那种情况下，我只给了一般类的权重，而不是具体的正面和负面

这应该是我正在使用的损失函数

−(ylog(p)+(1−y)log(1−p))

对于二元交叉熵和 sigmoid，这适用于每个类，然后总损失是所有样本的所有类损失的总和。

但是在这里应用的类权重到底在哪里？它是否乘以整个函数？如果是这样的话，那么它并没有真正解决我所看到的班级不平衡问题，因为它也将负面因素的权重更高，而不仅仅是正面因素？我想这是可取的只是增加积极的回应？

如果有人能弄清楚这一切是如何运作的，那么我可以更多地了解引擎盖下发生的事情，我将不胜感激。