神经网络如何根据重要性对成本和训练数据进行不同的分割/加权

Question

我正在寻找解决问题的想法/方向：

上下文：i有每小时的时间序列数据(即一天24小时中的每一行功能)，为期1000天。每小时，我都试图预测一个目标值。现在，，我更关心的是一天中某些小时的准确性，(例如08:00-18:00)和一天中剩下的几个小时的准确性。

Problem/Question:如何调整我的成本函数，以更多地关注这些关键时刻的准确性？还是用不同的方法来衡量数据集，给08:00-18:00更多的权重？

方法：--我在Tensorflow中编写了一个MLP，并使用均方误差作为我的成本函数，Adam作为优化器。虽然这种方法有利于提高总体精度(即>90%)，但在我们的关键时刻的准确度还不够高。

这是我的成本函数：

cost = tf.reduce_mean(tf.abs(pred-y)/y)

你有什么想法吗？谢谢！！)

Answer 1

您可以添加一个占位符(批大小为1)，该占位符表示特定培训示例的重要性。获取批中每一行的成本(批处理大小为1)，并将占位符乘以成本。