Question

我正在尝试使用Pybrain神经网络和专门的ClassificationDataSet构建第一个分类器，我不确定我是否完全理解它的工作原理。

所以我有一个pandas数据帧，包含6个特征列和1个用于类标签的列（Survived，只有0或1）。

我用它构建了一个数据集：

ds = ClassificationDataSet(6, 1, nb_classes=2)
for i in df[['Gender', 'Pclass', 'AgeFill', 'FamilySize', 'FarePerPerson', 'Deck','Survived']].values:
    ds.addSample(tuple(i[:-1]), i[-1])
ds._convertToOneOfMany()
return ds

好的，我查看数据集的外观：

for i, m in ds:
    i, m


(array([ 1.,  3.,  2.,  2.,  1.,  8.]), array([1, 0]))
(array([ 0.,  1.,  1.,  2.,  0.,  2.]), array([0, 1]))

我已经遇到了问题。什么意思是[1,0]或[0,1]？它只是＆＃39; 0＆＃39; 0或者＆＃39; 1＆＃39;原来＆＃39;幸存下来＆＃39;柱？如何恢复原始价值？

后来，当我完成网络培训时：

net = buildNetwork(6, 6, 2, hiddenclass=TanhLayer, bias=True,  outclass=SoftmaxLayer)
trainer = BackpropTrainer(net, ds)
trainer.trainEpochs(10)

我将尝试在我的另一个数据集上激活它（我想要进行实际分类）并且我将为2个输出神经元中的每一个获得一对激活结果，但是如何理解哪个输出神经元对应于哪个原始数据类？可能这显然是显而易见的，但不幸的是，我无法从文档中理解它。

Answer 1

好的，貌似pybrain使用position来确定它所代表的类（0,1）或（1,0）。

要返回原始0或1标记，您需要使用argmax（）函数。因此，例如，如果我已经有一个训练有素的网络，并且我想在与我用于培训的数据相同的数据上验证它，我可以这样做：

for inProp, num in ds:
    out = net.activate(inProp).argmax()
    if out == num.argmax():
        true+=1
    total+=1
res = true/total

inProp看起来像我的激活输入值的元组，num - 预期的双神经元输出的元组（（0,1）或（1,0））和num.argmax（）会将其转换为只有0或1 - 实际输出。

我可能错了，因为这是纯启发式的，但它在我的例子中有用。

pybrain - ClassificationDataSet - 使用SoftmaxLayer时如何理解输出

1 个答案: