前面我們已經(jīng)學習了如何處理類別不平衡。這節(jié)課我們來探討第二個挑戰(zhàn)-多任務(wù)挑戰(zhàn)
目前為止，我們已經(jīng)研究了二分類，我們關(guān)心的是一個例子是否是有 mass 疾病。
然而，在現(xiàn)實世界中，我們關(guān)心的是對許多此類疾病的存在與否進行分類?，F(xiàn)在，一個簡單的方法是讓每個模型學習分別學習這些任務(wù)中的一個。即A模型學習是否有肺炎，B 模型學習是否有氣胸等。
當然，我們可以學習使用一個模型來完成所有的任務(wù)。即多任務(wù)學習。
這樣做的一個好處是，我們可以學習識別多種疾病的共同特征，從而使我們能夠更有效地利用現(xiàn)有數(shù)據(jù)。這是多任務(wù)學習的設(shè)置。
讓我們看看如何訓練算法同時學習所有這些任務(wù)。
如圖，這些例子不再是一個標簽，而是每個疾病都有一個標簽。零表示沒有該疾病，而1表示該疾病的存在。
假設(shè)我們這里的任務(wù)是預(yù)測胸片中是否包含3中疾?。╩ass, pneumonia, edema）(腫塊，肺炎，水腫)。
如患者P1，標簽為（0，1，0）。表示沒有腫塊，有肺炎，沒有水腫。
該模型不再有一個輸出，而是有三個不同的輸出，表示三種不同疾病的概率。
為了訓練這樣一個算法，我們還需要將損失函數(shù)從二分類loss 修改為多任務(wù)loss。讓我們看看如何做到這一點。
多任務(wù)損失函數(shù)
我們修改了損失函數(shù)，這樣我們就可以看到與每種疾病相關(guān)的誤差。我們可以用多種疾病的損失之和來表示我們的新?lián)p失。如圖中公式。
這稱為multi-label(多標簽), multi-task(多任務(wù))損失。
在這個圖中，我們給出了每個例子的預(yù)測概率，以及每個類別下對應(yīng)的loss。
比如對于P1患者，mass疾病的預(yù)測概率為0.3， loss為0.52。pneumonia預(yù)測概率為0.1， loss為0.7。edama的預(yù)測概率為0.8， loss為0.7。對于P1，總的loss為它們之和。
最后要考慮的是如何在多任務(wù)設(shè)置中解釋類不平衡。
再一次，我們可以應(yīng)用之前我們已經(jīng)學過的加權(quán)損失。
只不過，在二分類中，陽性和陰性的權(quán)重分別只有一個。
但，對多分類而言，有幾種疾病，就有幾個不同的權(quán)重設(shè)置。比如，在圖片中，對mass疾病而言，它有,也有
。
同樣，pneumonia和edema也有,
。
我是Tina, 我們下篇博客見~
白天工作晚上寫文，嘔心瀝血
覺得寫的不錯的話最后，求點贊，評論，收藏
