如何为3D图像CNN多标签分类设置类别权重解决类别不平衡问题

• 标签编码逻辑错误：多标签分类的每个标签属于独立的二分类任务，你将4个独立的0/1标签编码为0-7的单值类别，本质是把多标签任务强行改写为8分类的单标签任务，完全偏离了原始任务目标，导致模型学习方向完全错误
• 输出层调整错误：多标签二分类的每个输出对应独立的类别命中概率，必须用sigmoid激活将输出限制在0-1区间，改为linear后输出没有数值边界，损失计算完全失效，自然会出现精度在0和1之间跳变的异常表现
• 类别加权逻辑错误：model.fit()的class_weight参数本身是为单标签分类设计的，原生不支持多标签场景下的逐类别独立加权，你修改标签去适配该参数属于逻辑本末倒置

1. 恢复基础模型结构 #

• 输出层改回4个神经元，激活函数恢复为sigmoid，损失函数使用BinaryCrossentropy
• 标签不需要做任何自定义编码，保持原有[X,4]的0/1二值格式即可

2. 自定义逐类别加权损失函数（完全适配你的需求） #

你需要的8个权重（每个类别的0/1样本分别加权）可以直接在损失函数中实现，不需要依赖model.fit()的class_weight参数，示例代码如下：

import tensorflow as tf

# 提前按不平衡程度计算每个类别0和1的权重，通用计算公式为：权重 = 总样本数 / (类别数 * 对应标签值的样本数)
# 格式说明：class_weights[i][0]为第i类标签为0的样本权重，class_weights[i][1]为第i类标签为1的样本权重
class_weights = [
    [w0_0, w0_1], # 第1类权重
    [w1_0, w1_1], # 第2类权重
    [w2_0, w2_1], # 第3类权重
    [w3_0, w3_1]  # 第4类权重
]
class_weights = tf.constant(class_weights, dtype=tf.float32)

def weighted_binary_crossentropy(y_true, y_pred):
    # 为每个样本的每个标签匹配对应权重
    weights = y_true * class_weights[:,1] + (1 - y_true) * class_weights[:,0]
    # 计算基础二分类交叉熵
    bce = tf.keras.losses.binary_crossentropy(y_true, y_pred, from_logits=False)
    # 返回加权后的平均损失
    return tf.reduce_mean(bce * weights)

编译模型时直接传入自定义损失即可：

model.compile(optimizer='adam', loss=weighted_binary_crossentropy, metrics=['accuracy'])

3. 补充优化方案 #

如果类别不平衡问题依然突出，可以叠加以下措施：

• 对样本量少的标签对应的样本做过采样，或者对样本量多的标签对应的样本做欠采样，注意采样时要保持多标签组合的合理性，不要破坏原始标签分布
• 损失函数改用Focal Loss，自动降低易分类样本的权重，提升难分类样本的学习优先级，非常适配类别不平衡的二分类场景
• 评估指标不要只用全局准确率，改用每个类别的Precision、Recall、F1值以及mAP，更能反映不平衡场景下的模型真实效果

内容的提问来源于stack exchange，提问作者George Obada