如何优化(真阳性)/(假阳性)的比值而不是准确性？

Question

经典的度量标准是“准确性”，它与：(真阳性+真阴性)/(假阳性+假阴性)有关。

在分类问题中，假阴性比假阴性更容易容忍。也就是说，我想赋予改进(真阳性)/(假阳性)更多的权重。如何做到这一点？

model.compile(optimizer='adam',
          loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
          metrics=['accuracy'])

Answer 1

Tensorflow允许对这些度量标准( https://www.tensorflow.org/api_docs/python/tf/keras/metrics/SensitivityAtSpecificity )的敏感性进行转移，或者如果您直接想要假阳性(我认为它只允许您访问错误阳性的数量，如果这有帮助的话)：https://www.tensorflow.org/api_docs/python/tf/keras/metrics/FalsePositives。我对tensorflow不太了解，但我希望这会有所帮助。