加权分类交叉熵

以下是使用Python示例代码解决加权分类交叉熵的问题：

import numpy as np

def weighted_cross_entropy(y_true, y_pred, weights):
    # 将预测结果限制在一个较小的范围内，避免溢出
    y_pred = np.clip(y_pred, 1e-7, 1 - 1e-7)
    
    # 计算每个类别的交叉熵
    cross_entropy = -y_true * np.log(y_pred) - (1 - y_true) * np.log(1 - y_pred)
    
    # 将交叉熵与权重相乘，并对每个样本求和
    weighted_cross_entropy = np.sum(cross_entropy * weights, axis=1)
    
    # 计算平均加权交叉熵
    return np.mean(weighted_cross_entropy)

# 示例使用
y_true = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1]])
y_pred = np.array([[0.9, 0.05, 0.05], [0.1, 0.8, 0.1], [0.2, 0.3, 0.5]])
weights = np.array([1, 2, 3])

result = weighted_cross_entropy(y_true, y_pred, weights)
print(result)

在这个示例中，我们定义了一个名为weighted_cross_entropy的函数，它接受三个参数：y_true是真实标签，y_pred是预测标签，weights是每个样本的权重。

函数首先将预测结果限制在一个较小的范围内，以避免溢出。然后，它计算每个类别的交叉熵，并将交叉熵与权重相乘。最后，函数计算平均加权交叉熵并返回结果。

在示例使用部分，我们使用了一个简单的示例来验证函数的正确性。y_true表示真实标签，y_pred表示预测标签，weights表示每个样本的权重。最后，我们打印出结果。

请注意，这只是一个示例，实际使用时可能需要根据具体情况进行修改和适应。