针对不平衡数据的归一化类权重

Question

i具有一组用于在CNN神经网络上进行训练的不平衡数据。我想计算与每个标签的频率成正比的类别权重，这样，在计算反向传播条件时，频率较低的标签将得到增强，以使它们得到很好的表示。

到目前为止我做了什么：我有一个列表A，每个标签的出现频率。

A=[1009,2910,4014,152,605]
所以我做了以下-

class_weights_new=1/(A/np.min(A))
这产生了一系列权重，这些权重减少了与标签频率成正比的学习，从而减少了一个标签相对于其他标签的过度学习。

现在我对此事有两个问题-

1. 我的逻辑有问题吗，我缺少什么吗？
2. 到目前为止，此计算产生了较差的性能，我可能想平滑权重，以使权重仍然不平衡。我的意思是标签之间的比例将保持不变，但它们都趋向于接近1。什么数学运算会给我这样的结果？

谢谢!!!

i具有一组用于在CNN神经网络上进行训练的不平衡数据。我想计算将与每个标签的频率成正比的班级权重，以使不那么频繁的标签...

Answer 1

最常见的重量计算方法是，