如果您不想更改数据创建过程，则可以
class_weight在fit生成器中使用。您可以使用字典来设置您的class_weight并进行微调。例如，当不使用class_weight时，class0有50个示例，class1有100个示例。然后，损失函数统一计算损失。这意味着class1将是一个问题。但是，当您设置时：
class_weight = {0:2 , 1:1}这意味着损失函数现在将给您的0类2倍的权重。因此，对代表性不足的数据进行错误分类将比以前多付2倍的惩罚。因此，模型可以处理不平衡的数据。
如果使用
class_weight='balanced'模型，则可以自动进行该设置。但是我的建议是，创建一个类似的字典，
class_weight ={0:a1 , 1:a2}并为a1和a2尝试不同的值，这样您就可以理解差异。此外，您可以对数据不均衡使用欠采样方法，而不要使用class_weight。为此，请检查 _ 引导_ 方法。
