machine-learning - 对网络的输出进行分类

Question

我创建了一个预测 1 或 0 的网络。我现在正在研究该网络的 ROC 曲线，我必须找到 TN、FN、TP、FP。当我的网络的输出 >= 0.5 且期望输出为 1 时，我将其分类为真阳性。当它 >=0.5 且所需输出为 0 时，我将其归类为“误报”。这是正确的做法吗？只是想确定我的理解是否正确。

Answer 1

这完全取决于您如何使用网络，因为真/假正/负只是分析分类结果的一种形式，而不是网络的内部结构。根据您所写的内容，我假设您有一个具有一个输出节点的网络，该网络可以在 [0,1] 中产生值。如果您以这种方式使用您的模型，如果该值大于 0.5，那么您假设输出为 1，否则为 0，那么是的，您是正确的。一般来说，您应该考虑输出的“解释”是什么，并简单地使用 TP、FN 等的定义，其可概括如下:

         your network
truth      1     0
    1     TP    FN
    0     FP    TN

我提到“解释”，因为事实上你总是使用一些函数g(output)，它返回预测的类别号。在你的例子中，它只是g(output) = 1 iff output >= 0.5。但在多类问题中，它可能是 g(output) = argmax(output)，但它不一定是这样，特别是“绘制”(当两个或多个神经元具有相同的值时)怎么样？值(value))。为了计算真/假阳性/阴性，您应该始终只考虑最终分类。因此，您正在衡量模型的质量、学习过程以及这种“解释”g。

还应该注意的是，“正类”和“负类”的概念通常是不明确的。在诸如检测某些物体/事件之类的问题中，很明显，“出现”是积极事件，“缺乏”是消极事件，但在许多其他问题中 - 例如性别分类，没有明确的解释。在这种情况下，人们应该仔细选择使用的指标，因为其中一些指标偏向于正面(或负面)示例(例如精度既不考虑真负例，也不考虑假负例)。