请记住，您的神经网络输出的是概率，而不是分类。您可以使用概率进行分类。软件默认使用阈值来确定分类，但这可能不适合您。$0.5$

虽然有两种结果，但在您的医疗申请的决策过程中可能还有第三种选择：“不确定，收集更多信息。” 也许你会想要低于是类别，高于是类别，而介于和之间是不确定的。$0.3$$0$$0.7$$1$$0.3$$0.7$

这种神经网络输出概率而不是类别的想法与所谓的正确评分规则和（更好）严格正确的评分规则有关。在这里，Frank Harrell 和 Stephan Kolassa 都是粉丝，前者在他的博客上写过关于他们的文章。

https://www.fharrell.com/post/class-damage/

https://www.fharrell.com/post/classification/

同样有趣的是：做出决定时的正确评分规则（例如垃圾邮件与非正常电子邮件）

解决此问题的标准方法如下：

1. 正如 Dave 的回答中提到的，不要采用 Keras 分类器的二进制预测，而是使用分数或 logits - 即您需要对正类有一个置信度值，而不是对正类进行硬预测“1”类和负类为“0”。（大多数 Keras 模型都有一种model.predict()方法可以让您对每个类都有信心）。

2. 现在绘制一条 ROC 曲线，sklearn 有一些现成的漂亮功能：https ://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html 。该曲线基本上绘制了真阳性率与假阳性率的关系，这是通过在预测置信度上设置各种阈值并计算真阳性率（TPR）和假阳性率（FPR）而获得的。

3. 查看 ROC 曲线，您可以选择您喜欢的点（即假阴性极少且假阳性数可接受）。给出这个（TPR，FPR）点的阈值应该是您的分类器的操作点（即将此阈值应用于“类 1”的模型置信度）。

这里有几个选项可以让网络偏向你想要的类：

1-修改班级权重。例如，为了让您的算法将 0 类的每个实例视为 1 类的 5 个实例，您可以执行以下操作：

class_weight = {0: 5., 1: 1.}
model.fit(X, y, class_weight=class_weight)

2-如 Dave 和 AruniRC 所指出的，根据ROC 曲线修改分类阈值。

3-从您想要优先考虑的类中对训练样本进行过采样，例如：

X_neg = X[y == 0]
X_pos = X[y == 1]

ids = np.arange(len(X_neg))
choices = np.random.choice(ids, len(X_pos) * 5)

X_neg = X_neg[choices]
X_pos = X_pos
y_neg = np.zeros(len(X_neg), dtype=np.int8)
y_pos = np.ones(len(X_pos), dtype=np.int8)

X = np.vstack([X_neg, X_pos])
y = np.stack([y_neg, y_pos])

您所说的问题通常是不平衡数据集的常见问题，与另一个类相比，您可能在一个类中有更多的样本（这通常发生在医学数据集中）。这些要点中的大部分取自用于处理不平衡数据集的Keras 教程。