在Tensorflow中使用weight_column时，如何正确地使用tf.estimator.DNNClassifier (或者如何使成本函数有偏差)？

Question

我正在使用docs/python/tf/estimator/DNNClassifier

假设我有分类问题。试图对两件事进行分类。Class1是快乐的脸，Class2不是快乐的脸。在这个特殊的场景中，当我每天查看1,000+样本时，我只想抓住前10位快乐面孔。所以说真的，我只想对前十名的面孔都是快乐面孔充满信心。所以如果它把一张快乐的脸归类为不快乐的脸，我会同意的。它可能会错过一些(或者非常诚实地说，它每天会复习1000多个中的100个)。然而，如果它错误地将不快乐的脸归类为快乐的脸.我不会对结果感到满意。

所以我们可以说:好= TP =(真)快乐脸，(预测)快乐脸坏= FP =(真)不开心脸，(预测)快乐脸好= TN =(真)不开心脸，(预测)不开心脸OK = FN =(真)开心脸，(预测)不开心脸

差不多，我可以忍受偶尔的FN (假阴性)。但我真的不想要FP (假阳性)

我感兴趣的是使用重量栏来“减肥”所有的一个类，和“超重”的另一个类。

最后，我想要某种有偏的损失/成本函数。在培训时，FP应该“花费”更多，FN，仍然应该花费，但要少一点。从DNNClassifier的角度来看，weight_column似乎是答案。

在培训时，我可以将所有的快乐脸设置为1.5+的重量(或者其他什么，需要进行实验)。我可以把所有不开心的脸都设为0.5 (或者其他什么)。

所以，这可以归结为几个问题：

1. 这就是重量列的用途吗？
2. 我看到权重列应该是一个特性/输入。在这种情况下，我不希望将权重列用作特性，因为我假设模型将获取权重与分类的相关性，并在很大程度上依赖于该输入作为预测器。那么，tensorflow是否使用权重列作为输入？我希望不是这样。
3. 假设/希望TF不使用权重列作为输入，在预测/评估时，我传递给权重列的是什么？
4. 如果weight_column不是答案，那么处理这样一个场景的推荐解决方案是什么(一个特定类的偏倚成本函数)？我不需要模型是100%准确的所有分类。但是对于一个班来说，当它说它是一张快乐的脸时，我希望它很有自信，它是一张快乐的脸。如果它错过了一些快乐的面孔，它认为它们不是快乐的面孔。没问题的。只要我每天都有10张“最快乐”的脸，我就很高兴:)

谢谢你的帮助。我很感激。

Answer 1

我认为使用门限是处理FN和FP交易的更好方法。你可以这样做：

probability_of_1 = predictions from estimator
if probability_of_1 > YOUR_THRESHOLD:
  output = happy-face
else:
  output = not-happy-face