18

我已经用 tensorflow 在 Keras 中实现了一个基本的 MLP，我正在尝试解决二进制分类问题。对于二进制分类，似乎 sigmoid 是推荐的激活函数，我不太明白为什么，以及 Keras 如何处理这个问题。

我理解 sigmoid 函数会产生介于 0 和 1 之间的值。我的理解是，对于使用 sigmoid 的分类问题，将有一个特定的阈值用于确定输入的类别（通常为 0.5）。在 Keras 中，我没有看到任何指定此阈值的方法，所以我认为它是在后端隐式完成的？如果是这种情况，Keras 是如何区分在二元分类问题或回归问题中使用 sigmoid 的？对于二元分类，我们需要一个二元值，但对于回归，我们需要一个标称值。我所看到的可能表明这是损失函数。这是否会告知 Keras 如何处理数据？

此外，假设 Keras 隐式应用阈值，为什么当我使用模型预测新数据时它会输出标称值？

例如：

y_pred = model.predict(x_test)
print(y_pred)

给出：

[7.4706882e-02] [8.3481872e-01] [2.9314638e-04] [5.2297767e-03] [2.1608515e-01] ... [4.4894204e-03] [5.1120580e-05] [7.0263929e-04 ]

在预测获得二进制输出时，我可以自己应用一个阈值，但是为了正确分类，Keras 肯定必须这样做吗？也许Keras在训练模型时应用了一个阈值，但是当我用它来预测新值时，没有使用阈值，因为预测中没有使用损失函数？或者根本没有应用阈值，并且输出的标称值恰好与我的模型一起工作？我已经检查过 Keras 二进制分类示例中是否发生了这种情况，所以我认为我的代码没有出现任何错误，特别是因为它可以准确预测。

如果有人能解释这是如何工作的，我将不胜感激。

这是我的模型作为参考：

model = Sequential()
model.add(Dense(124, activation='relu', input_shape = (2,)))
model.add(Dropout(0.5))
model.add(Dense(124, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(1, activation='sigmoid'))
model.summary()

model.compile(loss='binary_crossentropy',
              optimizer=SGD(lr = 0.1, momentum = 0.003),
              metrics=['acc'])

history = model.fit(x_train, y_train,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
4

2 回答 2

7

二元分类的输出是样本属于某个类别的概率。

Keras 如何区分在二元分类问题或回归问题中使用 sigmoid？

它不需要。它使用损失函数来计算损失，然后是导数并更新权重。

换句话说：

  • 在训练期间，框架将损失降至最低。用户必须指定损失函数（由框架提供）或提供自己的。网络只关心这个函数输出的标量值，它的 2 个参数是 predicty^和 actual y。
  • 每个激活函数都实现了前向传播和反向传播功能。该框架只对这两个功能感兴趣。它不关心函数究竟做了什么。唯一的要求是激活函数是非线性的。
于 2018-03-06T18:08:46.423 回答
5

您可以使用 compile() 显式分配阈值

tf.keras.metrics.BinaryAccuracy(
    name="binary_accuracy", dtype=None, threshold=0.5
)

如下所示：

model.compile(optimizer='sgd',
              loss='mse',
              metrics=[tf.keras.metrics.BinaryAccuracy()])
于 2020-07-19T04:13:53.947 回答