解释神经网络输出

对于分类问题，通常如何确定网络的输出？解释神经网络输出

假设有三个可能的类，每个类都有一个数字标识符，合理的解决方案是对输出进行求和并将该和作为网络的总输出？或者你会拿出网络输出的平均值？

关于ANN理论有很多信息，但没有太多关于应用的信息，但是如果这是一个愚蠢的问题，我会支持。

2013-02-15 Jack H

对于具有3类的多层感知器分类器，通常构造具有3个输出的网络并训练网络，使得（1,0,0）是第一类的目标输出，（0,1， 0）为第二类，（0,0,1）为第三类。为了分类新的观察结果，通常选择具有最大值的输出（例如，（0.12,0.56,0.87）将被归类为第3类）。

来源

2013-02-15 18:47:47 bogatron

感谢您的答复。一个新的观察结果到底是什么意思？谢谢。 – 2013-02-15 18:57:57

未用于训练网络的观察结果。 – bogatron 2013-02-15 18:58:36

啊，我明白了，谢谢。 – 2013-02-15 19:00:40

我主要赞同bogatron，并且你会在这里找到很多关于神经网络这种“多类分类”的建议。

关于您的标题，我想补充一点，您可以将该输出解释为概率，因为我努力为此找到理论基础。继续我将讨论在输出层中有3个神经元的神经网络，为相应的类指示1。由于训练中所有三个输出的总和总是1，所以神经网络也将给出前馈输出的总和为1（相当于（0.12 0.36 0.52）（比例如bogatrons））然后你可以将这些数字解释为相应输入属于1/2/3类（概率为0.52，属于类3）的概率）。

使用logistic函数或tanh作为激活函数时，这是正确的。

来源

2013-02-15 21:51:22 fanfabbb

只是为了澄清关于我使用的示例输出 - 一般来说，除非在输出层中执行了标准化（我没有做出这个假设），否则网络输出不会加到一。如果他们是正常化的，那么正如你所说的那样，输出可以被解释为概率。关于@ VisionIncision关于产出总和/均值的问题，如果产出被归一化，那么总和和平均值将没有意义（总和将总是1，平均值总是1/3）。 – bogatron 2013-02-15 22:07:24

规范化的东西也是有道理的，但在某个地方我有这样的想法，它是一个经过训练的神经网络固有的，因为在人工神经网络中学习总是1 [0,0,1]/[1,0,0 ]等等。另一方面，为什么NN_not_不知道输出总和总是1？ – fanfabbb 2013-02-16 08:21:58

你通常训练网络的目标是训练的全部零点和一个单一的输出（对应于正确的类），但是错误不能总是减少到零（即使可以，总是希望它，因为你可能会过度适应你的解决方案）。还回想一下，逻辑函数（也称为sigmoid）在负和正无穷大处仅具有0或1的输出，这在实践中是我们永远不会看到的。 – bogatron 2013-02-16 14:07:21

解释神经网络输出

回答

相关问题