我有一篇论文，我们尝试通过使用不同的技术来最大化 F1 分数。我们希望像 RankNet 这样的排名算法能够获得比其他算法更好的 F1 分数。但正如您在我们的表格中看到的那样，即使不使用成本矩阵，常规神经网络也足够好。在类平衡之前创建合成样本，甚至使用 MetaCost 也基本上无关紧要。

在使用 RankNet 时，我们确实获得了 F1 增益，但这可能是由于我们将排名分数转换为类别的后处理。但这是一种痛苦。我认为你可以得到类似的结果，而不是使用 0.5 作为选择正类的阈值，而是选择一个仅使用训练数据来最大化 F1 分数的阈值。

在研究了一段时间的类不平衡之后，我认为这个主题是轻松获得许多出版物的好方法，但是，在现实世界中，后处理步骤和/或使用成本矩阵来平衡先验已经绰绰有余。

ps：请不要把这个结果当成圣杯。众所周知，神经网络难以优化，尤其是在一系列非常不同的数据集上。如论文中所述，进行了一些交叉验证，但由于时间不够，没有达到我们应有的程度。而且我们不允许那么多迭代。我会尝试在您自己的代码中引入权重和一些简单的东西，看看它是否有所作为。请让我知道它是如何工作的。

直接优化 F1 分数的问题不在于它是非凸的，而在于它是不可微的。典型神经网络的任何损失函数的表面都是高度非凸的。

相反，您可以做的是优化接近 F1 分数的代理函数，或者在最小化时产生良好的 F1 分数。一种方法是像往常一样使用类的权重简单地优化交叉熵 - 请参阅stackoverflow 上的这个答案。