神经网络多分类任务中：如何以精度换取召回率？

刚好碰到过类似的多分类长尾场景，结合你的需求——假阳性影响小，要针对特定类别降精度提召回，同时尽量不影响其他类别，给你几个实用的方法：

• 调整目标类别的分类阈值
  多分类模型一般会输出每个类别的预测概率，默认逻辑是选概率最高的类别作为结果。你可以单独降低目标类别的判定阈值：比如原来要概率≥0.7才判定为该类，现在改成≥0.4。这样更多原本被归为其他类的真阳性样本会被正确识别，直接提升召回率；代价就是会引入更多假阳性，精度自然下降，完全符合你的需求。
  注意如果用的是softmax输出，可能需要先对目标类的概率做单独校准（比如用Platt缩放），再调整阈值，避免和其他类的概率逻辑冲突。

• 针对目标类别做定向数据增强
  如果目标类的样本量少、特征覆盖不全，模型很难识别出所有真阳性。你可以只给这个类的训练数据做增强：比如图像任务里的翻转、亮度调整、局部裁剪；文本任务里的同义词替换、随机插入/删除短句；结构化数据里的特征扰动。
  这样模型能学到该类更多样的特征，对真阳性的敏感度会提升，召回率随之上涨，而且因为只动了目标类的数据，其他类的模型表现基本能保持稳定。

• 给目标类别设置损失函数加权
  默认的交叉熵损失对所有类别一视同仁，你可以给目标类的**假阴性错误（漏检）**设置更高的损失权重。比如，当模型把一个真阳性的目标类样本误判为其他类时，损失乘以2或3的系数，让模型更重视这类错误。
  这样训练过程中，模型会主动倾向于更多地预测目标类，减少漏检；只要权重设置合理（别太夸张），其他类的精度和召回基本不会受太大影响。

• 对目标类别做数据重采样
  如果目标类是长尾类别（样本占比极低），模型天然会忽略它。你可以做两种操作：

  • 过采样：直接复制目标类的样本，或者用SMOTE这类算法生成该类的合成样本；
  • 欠采样：对样本量极大的其他类别随机删除部分样本，提升目标类在训练集中的占比。
    重采样后，模型会更关注目标类，识别真阳性的能力会显著提升，召回率自然上去。

• 针对目标类做模型微调
  如果已经有训练好的基础模型，可以单独针对目标类做微调：

  • 冻结模型的大部分底层特征层，只微调输出层和最后1-2层，让模型专门学习目标类的特征；
  • 或者给模型加一个针对目标类的分支头，单独训练这个分支来识别目标类，和主模型的输出做融合。
    这种方式能在不破坏其他类性能的前提下，强化模型对目标类的识别能力，减少漏检。

最后提醒下：调整过程中要重点监控目标类的PR曲线，找到你能接受的精度下降幅度对应的最优阈值，别只看整体指标哦。

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