neural-network - FF 神经网络和二元分类

Question

每当我在二进制分类问题上训练前馈神经网络时，网络都会返回浮点值。这背后的理论是什么？这可以解释为概率吗？例如，如果网络返回 0.7 是否相当于说该值为 1 而不是 0 的概率为 70%？那么我是否应该只缩放浮点值并将阈值定义为 0 或 1？

Answer 1

我假设您使用 sigmoid 函数作为激活函数？

它将返回该范围内的值。当你在玩我的游戏时，我将其视为某个任意范围的百分比。如果您可以容忍一点错误，它可以是二进制结果。当我训练逻辑门时，经过相当成功的训练，1 AND 1 的结果类似于 0.9999999；这几乎是 1。您可以在该点处舍入它。

一两个月前我发了一篇关于这个的帖子。如果我能找到它，我会链接到它。

我的问题

Answer 2

当您在二元问题上训练 NN 时，如果您不使用二元激活函数，答案将是概率（如果您使用 sigmoid）：属于某个类的实例概率。

我从不使用阈值或二元激活函数，因为研究概率总是很有趣。例如，您可能有一个错误分类的实例，但您观察到它的概率约为 0.5。因此，NN 不确定要固定在实例上的类。相反，如果一个实例被错误分类并且概率很大（接近 0 或 1），那么它就是一个强错误，你应该认真理解它为什么会被错误分类。