如何正确设置Keras中model.fit的class_weights参数？

别担心，我来帮你理清楚这个权重怎么对应才对！

首先得明确class_weight的核心逻辑：它是给样本数量少的类别分配更大的权重，这样模型在训练时会更“重视”这个容易被忽略的少数类，解决类别不平衡的问题。权重的计算逻辑通常是总样本数 / (类别数 × 该类样本数)，所以样本越少的类别，算出来的权重值就越大。

那怎么判断你的权重该怎么对应呢？按这两步来：

• 第一步：先统计你的训练集里两个类别的样本数量，比如用代码：

  import numpy as np
  # 假设y_train是你的标签数组
  class_counts = np.bincount(y_train)
  print(f"类别0的样本数：{class_counts[0]}，类别1的样本数：{class_counts[1]}")
  

• 第二步：看哪个类别的样本数更少，那个类别就对应你手里更大的权重值（也就是2.217857142857143），样本多的类别对应小的权重值（0.6455301455301455）。

举个例子：

• 如果类别0是少数类（样本数远少于类别1），那你最初写的class_weight={0: 2.217857142857143, 1: 0.6455301455301455}就是对的；
• 如果类别1是少数类，那就要反过来写成class_weight={0: 0.6455301455301455, 1: 2.217857142857143}。

内容的提问来源于stack exchange，提问作者MJimitater