TensorFlow/Keras中如何为二分类损失函数加权真阳性与真阴性？

好问题！默认的加权交叉熵只给正样本整体加权重，但要给TP、TN、FP、FN四个结果分别加权，确实需要自定义损失函数。下面是具体的实现思路和代码：

首先，先明确我们的目标：给二分类的四个结果（真阳性TP、假阴性FN、真阴性TN、假阳性FP）分别设置独立的权重，替代原来仅针对正样本的pos_weight。

核心思路 #

标准的二分类交叉熵损失可以拆解为四个部分的组合，但默认是对正负样本的错误预测（FN、FP）和正确预测（TP、TN）使用相同的权重。要实现分别加权，我们需要：

• 为四个结果定义独立权重：w_tp（TP的损失权重）、w_fn（FN的损失权重）、w_tn（TN的损失权重）、w_fp（FP的损失权重）
• 构建连续可导的权重映射，避免阈值带来的梯度不稳定性（因为模型输出是连续的概率值，不是离散的0/1）
• 将权重与标准交叉熵损失相乘，得到最终的加权损失

实现代码 #

这里提供一个TensorFlow/Keras兼容的自定义损失函数，支持直接输入logits（数值更稳定）：

import tensorflow as tf

def weighted_binary_crossentropy(w_tp, w_fn, w_tn, w_fp):
    def loss(y_true, logits):
        # 计算预测概率（仅用于权重映射，不直接参与损失计算）
        y_pred = tf.sigmoid(logits)
        
        # 为正样本构建权重：y_pred接近1（TP）时用w_tp，接近0（FN）时用w_fn
        pos_weights = w_fn + (w_tp - w_fn) * y_pred
        # 为负样本构建权重：y_pred接近0（TN）时用w_tn，接近1（FP）时用w_fp
        neg_weights = w_tn + (w_fp - w_tn) * (1 - y_pred)
        
        # 合并权重：正样本用pos_weights，负样本用neg_weights
        sample_weights = y_true * pos_weights + (1 - y_true) * neg_weights
        
        # 用logits直接计算交叉熵（数值更稳定）
        base_bce = tf.keras.losses.binary_crossentropy(y_true, logits, from_logits=True)
        # 应用权重并返回平均损失
        return tf.reduce_mean(sample_weights * base_bce)
    return loss

使用示例 #

假设你的业务场景中，假阴性（FN）的代价是普通情况的5倍，假阳性（FP）的代价是3倍，而真阳性和真阴性的权重保持为1，那么可以这样编译模型：

model.compile(
    optimizer='adam',
    loss=weighted_binary_crossentropy(w_tp=1, w_fn=5, w_tn=1, w_fp=3)
)

与原生pos_weight的关系 #

如果你设置w_tp=pos_weight、w_fn=pos_weight、w_tn=1、w_fp=1，这个自定义损失就完全等价于原生的tf.keras.losses.BinaryCrossentropy(from_logits=True, pos_weight=pos_weight)，完美兼容原有逻辑。

注意事项 #

• 权重的取值需要根据业务需求调整：如果某类错误（比如FN）的代价极高，就对应调大相应的权重
• 不要使用基于阈值的离散权重（比如判断y_pred>0.5再赋值），这会导致损失函数不连续，梯度不稳定，影响模型优化

内容的提问来源于stack exchange，提问作者Nickpick