分类网络输出

Question

我建立了一个预测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。当它的＆gt; = 0.5且期望输出为0时，我将其归类为假阳性。这是正确的做法吗？只是想确定我的理解是否正确。

Answer 1

这完全取决于您使用网络的方式，因为真/假阳性/阴性只是分析您的分类结果的一种形式，而不是网络的内部。根据您所编写的内容，我假设您拥有一个具有一个输出节点的网络，该节点可以在[0,1]中产生值。如果您使用模型，那么如果此值大于0.5，那么您将假定1输出和0，否则，您是正确的。一般来说，您应该考虑输出的“解释”，并简单地使用TP，FN等的定义，可归纳如下：

         your network
truth      1     0
    1     TP    FN
    0     FP    TN

我提到“解释”，因为实际上你总是使用一些函数g( output )，它返回预测的类号。在您的情况下，它只是g( output ) = 1 iff output >= 0.5。但是在多类问题中它可能是g( output ) = argmax( output )，但它并不特别需要“绘制”（当两个或多个神经元具有相同的值时）。要计算真/假阳性/阴性，您应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“解释”g。

还应该指出，“积极”和“消极”阶级的概念通常是模棱两可的。在诸如检测某些物体/事件之类的问题中，很明显，“出现”是一个积极的事件而“缺乏”是消极的，但在许多其他事件中 - 例如性别分类，没有明确的解释。在这种情况下，应该仔细选择使用的指标，因为其中一些偏向于正（或负）示例（例如 precision 不考虑真或假阴影）。