FF神经网络和二进制分类

Question

每当我针对二元分类问题训练FeedForward神经网络时，网络返回浮点值。这背后的理论是什么？这可以解释为概率吗？例如，如果净回报0.7相当于说该值为1且不为0的概率为70％？那么我应该只是缩放浮点值并将阈值定义为0或1？

Answer 1

我假设您使用sigmoid函数作为激活函数？

它将返回该范围内的值。当你和我一起玩的时候，我把它视为某个任意范围的百分比。如果您可以容忍一点点错误，它可以是二进制结果。当我训练逻辑门时，经过相当成功的训练后，1和1导致了0.9999999;这几乎是1.你可以在那个点上围绕它。

我在一两个月前发了一篇关于此事的帖子。如果我能找到它，我会链接到它。

My question

Answer 2

当您针对二元问题训练NN时，如果您不使用二进制激活函数，则答案将是概率（如果您使用sigmoid）：属于类的实例概率

我从不使用阈值或二元激活函数，因为研究概率总是很有趣。例如，您可能有一个错误分类的实例，但您发现其概率大约为0.5。因此，NN不确定要在实例上固定的类。相反，如果一个实例被错误分类并且具有很高的概率（接近0或1），那么这是一个强烈的错误，你应该认真理解为什么它被错误分类。