如何在Keras的ConvLSTM多分类模型中为各类别设置单独阈值？

核心思路 #

softmax输出的是各类别概率分布，默认用argmax()取概率最高的类别作为预测结果，但如果模型对多数类的概率输出始终低于某一阈值，就会导致这些类别无法被选中。手动设置类别阈值的关键是：放弃单一的argmax逻辑，针对每个类别单独设定概率阈值，再根据业务场景（单/多标签）判断样本归属。

具体实现步骤 #

1. 获取模型的概率输出 #

不要用已弃用的model.predict_classes()，直接用model.predict()拿到每个样本在9个类别上的完整概率分布：

# test_data为测试集输入数据
probabilities = model.predict(test_data)  # 输出形状：(样本数量, 9)

2. 为每个类别设定阈值 #

先在验证集上统计每个类别正确样本的概率范围，再针对性设置阈值。比如通过分析验证集数据，得到9个类别的阈值列表：

# 示例阈值，需根据你的验证集实际分布调整
class_thresholds = [0.3, 0.25, 0.4, 0.15, 0.2, 0.35, 0.28, 0.32, 0.22]

如果某类正确样本的概率大多集中在0.3以上，就可以把该类阈值设为0.3；若某类模型学习效果差，可适当降低阈值提升召回率。

3. 基于阈值的预测逻辑 #

单标签多分类（每个样本仅属于一个类别）

若要求每个样本只能归为一类，即使多个类别满足阈值，也选概率最高且达标的类别；若所有类别都不达标，可选择概率最高的类或标记为未知：

import numpy as np

predictions = []
for prob in probabilities:
    # 筛选出概率≥对应阈值的类别
    valid_classes = np.where(prob >= class_thresholds)[0]
    if len(valid_classes) > 0:
        # 在有效类别里选概率最高的
        best_class = valid_classes[np.argmax(prob[valid_classes])]
    else:
        # 无达标类别时，可选概率最高类或标记为-1（未知）
        best_class = np.argmax(prob)
        # best_class = -1
    predictions.append(best_class)
predictions = np.array(predictions)

多标签多分类（每个样本可属于多个类别）

若允许样本同时属于多个类别，直接输出所有满足阈值的类别即可：

predictions = []
for prob in probabilities:
    pred = np.where(prob >= class_thresholds)[0]
    predictions.append(pred)

4. 验证与调优 #

用验证集测试调整后的预测逻辑，根据精确率、召回率的变化微调阈值：

• 某类召回率太低：适当降低该类阈值
• 某类精确率太低：适当提高该类阈值

额外建议 #

• 先排查类别不平衡：如果训练集中某6类样本量极少，仅调阈值效果有限，需先处理类别不平衡（过采样、欠采样、设置类别权重）。
• 查看混淆矩阵：明确哪些类别被错误分类，分析这些类的概率输出特征，再针对性调参。
• 尝试温度缩放：如果模型概率输出过于极端（过于自信或不自信），可通过温度缩放调整分布后再设阈值：

temperature = 0.8  # 小于1让概率分布更平缓，大于1更陡峭
scaled_prob = np.exp(np.log(probabilities) / temperature)
scaled_prob = scaled_prob / np.sum(scaled_prob, axis=1, keepdims=True)

内容的提问来源于stack exchange，提问作者Nayan