Question

我使用neurolab来模拟神经网络，将数据集分类为二进制分类。

我在数据框中有数据。我正在创建一个神经网络，其中包含一个输入值和一个输出值以及10个隐藏节点。</ p>

df_train = pd.read_csv("training.csv")
target = df_train['outputcol'] # already encoded into 0's and 1's
inp = df_train.INPUT_AMT.values.reshape(df_train.INPUT_AMT.count(),1)
output = target.reshape(len(target),1) #reshaping into a matrix

然后我创建了一个模型，min_input和max_input被计算出来：

net = nl.net.newff([[min_input,max_imput]], [10,1]) 
error = net.train(inp,output)
out = net.sim(inp)

这是变量out：

的内容

array([[ 0.46434608],
   [ 0.47084458],
   [ 0.46583954],
   ..., 
   [ 0.46898838],
   [ 0.22519667],
   [ 0.46541441]])

这应该如何解释？

Answer 1

我们的广场页面（加州大学伯克利分校，INFO290t）上的答案似乎是正确的：

我相信您应该将输出舍入为零或一，然后将舍入结果与目标进行比较以确定准确度。

“如果分类器的输出是0到1之间的连续值，例如带有sigmoid输出节点的神经网络，则可以对输出进行舍入。例如，如果预测为0.80，则会舍入到1（罗姆尼）...对于神经网络，你应该将奥巴马映射到0，将罗姆尼映射到1。“

如何解释neurolab模拟的输出？

1 个答案: