神经网络中回归模型输出层的激活函数

Question

这些天我一直在试验神经网络。我遇到了一个关于要使用的激活函数的一般性问题。这可能是众所周知的事实，但我无法正确理解。我看到的许多示例和论文都在研究 class 化问题，它们使用 sigmoid（在二进制情况下）或 softmax（在多 class 情况下）作为输出中的激活函数放层，这是有道理的。但是我还没有看到回归模型的输出层使用任何激活函数。

所以我的问题是，我们是否选择在回归模型的输出层中不使用任何激活函数，因为我们不希望激活函数限制或限制值。输出值可以是任何数字，大到几千，所以像 sigmoid 到 tanh 这样的激活函数是没有意义的。还是有其他原因？或者我们实际上可以使用一些针对此类问题的激活函数？

Answer 1

如果你有，比如说，一个 Sigmoid 作为神经网络输出层的激活函数，你将永远不会得到任何小于 0 和大于 1 的值。

基本上，如果您要预测的数据分布在该范围内，您可能会使用 Sigmoid 函数来测试您的预测在训练集上是否表现良好。

更一般地说，在预测数据时，您应该想出以最有效的方式表示数据的函数。

因此，如果您的真实数据不能很好地拟合 Sigmoid 函数，您必须考虑任何其他函数（例如某些多项式函数、周期函数或任何其他函数或它们的组合），但您也应该始终关心如何您将轻松构建成本函数并评估衍生品。

Answer 2

对于线性回归类型的问题，您可以简单地创建没有任何激活函数的输出层，因为我们对无需任何转换的数值感兴趣。

更多信息：

https://machinelearningmastery.com/regression-tutorial-keras-deep-learning-library-python/

用于分类： 您可以使用 sigmoid、tanh、Softmax 等

Answer 3

只要使用线性激活函数而不限制输出值范围，除非你对此有一些合理的假设。