使用感知器进行分类

Question

我是模式分类的初学者，因此这个问题看似微不足道。假设我们正在对具有4个要素和3个类别的IRIS database花进行分类，其中Class1, Class2, Class3分别表示为(0 0 1; 0 1 0; 1 1 0)。 NN有3个输出神经元。因此，当网络输出ModelOutput = 1 1 0时，我们可以得出结论该特征属于Class3。现在，考虑一下文中提到的模型。该模型将具有4个输入概念和3个输出，每个类一个，每个输出概念通过权重连接。根据论文Link，估计的类是概念值“最高”的类。因此，在这种情况下，模型输出

1 1 0

其中两个概念值为1。那么，“最高”是什么意思？有人请解释这部分吗？谢谢

Answer 1

很难猜测文章中究竟使用了什么而没有详细研究（意味着我无法找到相关的段落）。此外，通过快速浏览，我不确定这是否是这类一般问题的最佳资源。我宁愿建议你学习一些像Bishop或Hastie这样的机器学习书。

您的目标是多类分类。更具体地说，您似乎正在使用 one-versus-all 策略，在该策略中，您可以组合多个二元分类器的输出（ - 这一个是您的感知器）以形成对班级成员。根据书＆＃34;机器学习和模式识别＆＃34;通过Bishop，这可能会导致概念上的问题，因为通常在输入空间中存在分类不明确的区域，请参见下图，了解感知器的情况（图4.2来自Bishop）：

这个问题不会出现的替代方案是一对一分类器，您可以在其中训练大量的二元分类器。

但回答你的问题：通常，课堂作业相当简单。你得到了学习者的实际输出y [我猜你正在使用多层感知器]，它被sigmoid函数映射到[0,1]（或者更常见的是[-1,1]由tanh功能）。接下来，您需要一条规则将结果0和1分配给您的输出，通常选择0 if y<0.5和1 if y>=0.5。因此，您评估两个二进制分类并设置结果向量。