上节课中，我们把训练数据的目标值做了修改，接下来就需要修改训练逻辑这部分。主要是两块，一个是损失函数和一个分类有点区别，另外一个是评估函数也有点不同。接下来，我们就从这两个部分进行修改。

代码示例

1、配置项

首先是损失函数，因为多标签，我们预测的其实是一个01序列，而且0比1要多。所以我们对0的位置，做一个降权。

另外预测值，是一组 (0,1) 范围内的数值，我们需要设置一个阈值，大于阈值的取1，小于阈值的取0。  

内容不可见，请联系管理员开通权限。

2、自定义损失函数 

内容不可见，请联系管理员开通权限。

3、模型评估函数

评估函数的修改其实很简单，就是把预测和真实序列解析出来，完全一样的就算预测正确。 

内容不可见，请联系管理员开通权限。

4、Kaggle训练

以上流程修改完后，也需要把代码复制到Kaggle上进行训练，然后把缓存模型下载下来备用。这一步已经讲过很多次，课上就不演示了，大家课后自己完成。 

内容不可见，请联系管理员开通权限。

5、模型测试

训练完成后，可以将模型下载到本地，也可将直接在Kaggle上测试。 

内容不可见，请联系管理员开通权限。

6、模型预测

训练的过程大家自己完成，模型预测部分，我们也同样需要把序列解析出来，然后找到对应的 label 标签即可。 

内容不可见，请联系管理员开通权限。

到目前为止，我们多标签的改造就全部完成了。从上面的例子可以看出，多标签的预测虽然更符合业务需求，但还存在一个问题，就是可能会出现为空的情况。对于这种情况，我们的处理方案是，如果多标签预测为空，就再接一个单标签分类做兜底。

另外，这两个模型我们是单独训练的，但是在实际业务场景中，我们需要把他们整合起来，封装成一个模块，供业务方调用，这个封装过程，我们就放到下节课再给大家介绍。

本文链接：http://ichenhua.cn/edu/note/565

版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！