imbalanced-learn.readthedocs.io/en/stable/metrics.html#additional-metrics-specific-to-imbalanced-datasets 7. Metrics — imbalanced-learn 0.5.0 documentation © Copyright 2016 - 2017, G. Lemaitre, F. Nogueira, D. Oliveira, C. Aridas Revision 12b2e0d2. imbalanced-learn.readthedocs.io

불균형 문제는 머신러닝을 사용할 때 직면하는 흔한 문제이다. 이 문제를 해결하기 위해 알고리즘의 수준 또는 데이터 수준에 관계없이 여러 가지 접근법이 사용되어 왔다. 알고리즘 수준에서는 class weight를 조정해 얼마 없는 class에 대해서 더 많은 가중치를 주는 cost function을 바꾸는 방법이 있다. 반면에 데이터 수준에서는 재 표본 기법이 있다. 얼마 없는 class에 대해서 upsampling을 하거나 많이 있는 class에 대해서 downsampling을 한다. 해당 글에서는 딥 Q-러닝 뒤에 있는 개념이 어떻게 불균형한 데이터 세트의 문제를 해결하기 위해 활용될 수 있는지 볼 것이다. Dataset: DCIS(도관암)이라는 질병을 의학적 스캔으로 검출하는 데이터셋을 사용했다 세포..

코딩을 하다 보니 Loss를 사용하는 데 있어서 헷갈리는 부분이 있어서 따로 정리를 하고 싶어 짐! 코드는 주로 사용하는 Tensorflow 1.4 위주로... Tensorflow 2.0 은 추후에... Binary CrossEntropy & Weight Cross Entropy one_hot = (?,1) logits = (?,1) weight = tf.constant( [2.0] ) ## Wegith CrossEntropy WCE = tf.nn.weighted_cross_entropy_with_logits( targets = one_hot , logits = logits , pos_weight = weight) ## CrossEntropy CE = tf.nn.sigmoid_cross_entropy_w..