前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战
目前为止，我们已经研究了二分类，我们关心的是一个例子是否是有 mass 疾病。
然而，在现实世界中，我们关心的是对许多此类疾病的存在与否进行分类。现在，一个简单的方法是让每个模型学习分别学习这些任务中的一个。即A模型学习是否有肺炎，B 模型学习是否有气胸等。
当然，我们可以学习使用一个模型来完成所有的任务。即多任务学习。
这样做的一个好处是，我们可以学习识别多种疾病的共同特征，从而使我们能够更有效地利用现有数据。这是多任务学习的设置。
让我们看看如何训练算法同时学习所有这些任务。
如图，这些例子不再是一个标签，而是每个疾病都有一个标签。零表示没有该疾病，而1表示该疾病的存在。
假设我们这里的任务是预测胸片中是否包含3中疾病（mass, pneumonia, edema）(肿块，肺炎，水肿)。
如患者P1，标签为（0，1，0）。表示没有肿块，有肺炎，没有水肿。
该模型不再有一个输出，而是有三个不同的输出，表示三种不同疾病的概率。
为了训练这样一个算法，我们还需要将损失函数从二分类loss 修改为多任务loss。让我们看看如何做到这一点。
多任务损失函数
我们修改了损失函数，这样我们就可以看到与每种疾病相关的误差。我们可以用多种疾病的损失之和来表示我们的新损失。如图中公式。
这称为multi-label(多标签), multi-task(多任务)损失。
在这个图中，我们给出了每个例子的预测概率，以及每个类别下对应的loss。
比如对于P1患者，mass疾病的预测概率为0.3， loss为0.52。pneumonia预测概率为0.1， loss为0.7。edama的预测概率为0.8， loss为0.7。对于P1，总的loss为它们之和。
最后要考虑的是如何在多任务设置中解释类不平衡。
再一次，我们可以应用之前我们已经学过的加权损失。
只不过，在二分类中，阳性和阴性的权重分别只有一个。
但，对多分类而言，有几种疾病，就有几个不同的权重设置。比如，在图片中，对mass疾病而言，它有,也有
。
同样，pneumonia和edema也有,
。
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏
