我见过类似问题/问题的帖子，但我没有发现这个问题。
假设我使用以下成本函数训练NN：
J（theta）= 1 / m * sum（sum（-y * log（h（x）） - （1-y）* log（1-h（x））））
并且还使用sigmoid函数作为激活函数。
现在，例如对于癌症检测，对于CV测试我得到0.6精度和0.6召回。如果我想获得另一个精度和召回率（例如，更低的精度但更高的召回率），我可以只改变预测函数的阈值（即h（output_layer）>阈值）。我想我也可以： - 改变NN架构， - 改变训练集， - 改变正则化参数，我会得到不同的结果。
但是，如果我不想改变NN的任何架构，该怎么办？改变预测功能的门槛真的很聪明吗？我是这样看的：我们使用sigmoid函数训练我们的NN（如果某个节点的激活低于或高于0.5，则粗略地说这种检查）。然后，在我们使用低于或高于0.5的方法训练网络之后，我们将最后的预测阈值更改为其他值。 我不认为这将是某种训练集和NN架构可能达到的最佳精度/回忆率（或F1得分）。换句话说，我认为我们并没有走过去。最佳ROC曲线。这是对的吗？
我对如何提出更好的解决方案的想法：
1。）更改激活功能。要么是完全不同的函数要么改变sigmoid函数（例如sigmoid new = 0.1 + sigmoid original）。所以我也会得到更多的激活，我想最后回想一下。
2.）更改成本函数（！）。例如。到
J（θ）= 1 / m *和（总和（ALPHA * -y * log（h（x）） - （1-y）* log（1-h（x））））。利用这个Alpha（标量），我可以更多地（α> 1）或更小（α<1）惩罚-y * log（h（x））误差。但是，如果我改变成本函数，我还需要改变反向传播和/或梯度计算吗？
我很感激这个主题的每一个帮助，链接或想法:-)
最佳，沃尔夫冈