类别权重调整：通过调整不同类别样本的权重，使得模型更加关注少数类别的样本，从而提高模型对少数类别的分类准确率。

类别权重调整是一种简单而有效的方法，可以让模型更加关注少数类别的样本。这种方法可以在训练模型时对不同类别的样本进行加权，使得模型在学习过程中更加关注少数类别的样本，从而提高少数类别的分类准确率。

在实际应用中，可以通过设置每个类别的权重来实现类别权重调整。权重可以是一个浮点数，表示该类别的重要性或出现频率。例如，如果有两个类别，其中一个类别的样本数量是另一个类别的两倍，那么可以将较少的类别的权重设置为2.0，从而使得模型更加关注该类别的样本。

在Keras中，可以通过设置loss函数中的class_weight参数来实现类别权重调整。例如，如果有5个类别，其中第一个类别的权重为2.0，其他类别的权重均为1.0，可以使用以下代码来设置class_weight参数：

import numpy as np
from keras.utils import to_categorical

# 读取数据和标签
X = ...  # 图像数据
y = ...  # 标签

# 将标签转换为one-hot编码
y_one_hot = to_categorical(y)

# 计算每个类别的权重
class_weight = {}
for i, count in enumerate(np.bincount(y)):
    class_weight[i] = 2.0 / count if i == 0 else 1.0 / count

# 使用类别权重训练模型
model.fit(X, y_one_hot, class_weight=class_weight)

需要注意的是，类别权重调整方法适用于类别不平衡的情况，但是如果类别严重不平衡，这种方法可能会导致模型对少数类别的过拟合。因此，在使用类别权重调整方法时，需要根据实际情况进行权衡，选择合适的权重来进行调整。