问题描述
假设我在数字时间序列数据集上有这种多分类问题。给定一些解释性输入 X(t) 和每个时间步长 t 的 k 个类别 C(k)，我必须预测正确的类别。我希望错误的预测会为我提供不同的损失，例如在时间 t Loss(C(h),C(best) > Loss(C(j),C(best)) 考虑到 best 是正确的预测类别. 问题是这个损失是 t 依赖的，“正确”的类和其他类之间的损失在价值和顺序上的每一个时间步长都会改变。基本上类和损失之间的映射随着时间的推移而变化。我不知道如何实现这在 Keras 中以某种方式修改了分类交叉熵。
面对这个问题最简单的方法可能是把它写成一个预测序列而不是单个类的问题。每次我都有一个从最好/正确到最差的类的顺序（与较大的损失相关），我可以尝试预测它，让网络有机会学习与不同错误顺序相关的信息类，然后将序列的第一个元素作为第一个元素的预测或平均值。有没有办法在 Keras 中使用标准工具或编写自定义损失来实现它？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）