machine-learning - 对网络的输出进行分类

Question

我制作了一个预测 1 或 0 的网络。我现在正在研究该网络的 ROC 曲线，我必须在其中找到 TN、FN、TP、FP。当我的网络输出 >= 0.5 且期望输出为 1 时，我将其归类为 True Positive。当它 >=0.5 且期望输出为 0 时，我将其归类为误报。这是正确的做法吗？只是想确定我的理解是否正确。

Answer 1

这完全取决于您如何使用网络，因为真/假阳性/阴性只是分析分类结果的一种形式，而不是网络的内部结构。根据您所写的内容，我假设您有一个带有一个输出节点的网络，它可以在[0,1]. 如果你以这种方式使用你的模型，如果这个值大于 0.5，那么你假设1输出，0否则，是的，你是正确的。一般来说，你应该考虑什么是你的输出的“解释”，简单地使用TP、FN等的定义，可以总结如下：

         your network
truth      1     0
    1     TP    FN
    0     FP    TN

我提到了“解释”，因为事实上你总是在使用一些函数g( output )，它返回预测的类号。在你的情况下，它只是g( output ) = 1 iff output >= 0.5. 但在多类问题中，它可能是g( output ) = argmax( output )，但它不必，特别是 - “绘制”（当两个或多个神经元具有相同值时）怎么样。为了计算真/假阳性/阴性，您应该始终只考虑最终分类。因此，您正在衡量模型的质量、学习过程以及这种“解释” g。

还应注意，“正”和“负”类的概念通常是模棱两可的。在诸如检测某些对象/事件之类的问题中，很明显，“发生”是积极事件，“缺乏”是消极事件，但在许多其他问题中——例如性别分类，没有明确的解释。在这种情况下，应谨慎选择使用的指标，因为其中一些指标偏向于正面（或负面）示例（例如，精度既不考虑真也不考虑假阴性）。