我正在训练keras中的3层MLP。数据集严重失衡，并希望提高模型的可检测率。
每当我将目标/自变量编码为数字（即从字符串映射到数字）时，categorical_category得分接近0.37。使用category_optimizer。
当我将目标/自变量更改为分类（即一个热编码）时，报告的分数高达0.90。
然而，少数族裔（和最重要的班级）之一没有正确分类或根本没有。
我正在深入研究召回得分而不是精确度。
采用的其他技术：班级权重和对少数民族的上采样。
我发现在没有单个编码的目标变量的情况下工作更容易。
总共5个班级（1个班级代表大多数，4个班级代表异常，属于少数班级）
答案 0 :(得分：0)
你需要在所有分类问题中使用单热编码，否则你暗示你的类的数字结构和顺序就不存在（即数字 2更接近于1而不是4，但 class 2到1和4的情况并非如此。您仍然可以重新采样数据或使用每类加权来提高对精度的调用。