分类器产生连续值而不是不同的标签

Question

This documentation article 解释了如何将多层感知器应用于分类任务。我有一个长度为 80 的输入特征向量，我想训练一个多层感知器将输入向量分为两类——0 和 1。我的输出层包含 1 个节点。

问题 1) 我希望分类器有二进制输出，但模型输出实数值（在 0 和 1 之间） .为什么会发生这种情况以及如何将其转换为二进制类？教程link中没有提到如何获取二进制值标签，即最后一层使用什么函数。

澄清一下，计算模型输出后（以下是前 4 个输出值），

我可以使用像 bin_target = y>=0.5 这样的简单阈值函数，其中所有大于或等于 0.5 的数字都标记为 1，其余标记为 0。但是，手动选择阈值对我来说似乎是任意的。

问题 2) MSE 的计算：应该在已知二进制值目标 Y 和实值模型的输出 y 或 perfClassify = y_bin - Y?

下面的代码是我尝试对数据进行分类inputs。

% Create a Pattern Recognition Network
hiddenLayerSize = 10;
net = init(net);
net.performFcn = 'crossentropy';
net = patternnet(hiddenLayerSize);

% Train the Network
[net,tr] = train(net,inputs,Y);  % Y=targets

% Test the Network
y = net(inputs);

bin_target = y>=0.5;
error1 = bin_target-Y'; 
% OR
error2 = y - Y';

Answer 1

您的问题 1 发生是因为默认输出传递函数是 'softmax'，它是一个连续函数（从技术上讲，是概率分布）。这样的输出包括 "confidence" 信息而不仅仅是输出 class。我的意见是 0.5 是二进制 class 化问题的正确阈值，因为据我了解，获得输出的值意味着 "probability that this inputs corresponds to class true"。

>> net = patternnet;
>> disp(net.layers{net.numLayers}.transferFcn);
softmax

很遗憾，我无法评论 softmax 是否适合您的问题，但如果您想更改它，可以使用 help nntransfer:

找到选项列表

>> help nntransfer
  Neural Network Transfer Functions.

    compet - Competitive transfer function.
    elliotsig - Elliot sigmoid transfer function.
    hardlim - Positive hard limit transfer function.
    hardlims - Symmetric hard limit transfer function.
    logsig - Logarithmic sigmoid transfer function.
    netinv - Inverse transfer function.
    poslin - Positive linear transfer function.
    purelin - Linear transfer function.
    radbas - Radial basis transfer function.
    radbasn - Radial basis normalized transfer function.
    satlin - Positive saturating linear transfer function.
    satlins - Symmetric saturating linear transfer function.
    softmax - Soft max transfer function.
    tansig - Symmetric sigmoid transfer function.
    tribas - Triangular basis transfer function.

  Main nnet function list.

也许您正在寻找的是 hardlim。要更改传递函数，只需将有效值分配给最后一层的 transferFcn 字段（例如 net.layers{net.numLayers}.transferFcn = 'hardlim';）。

至于问题2，如this answer中所述，使用连续分数是有益的。

分类器产生连续值而不是不同的标签

Classifier produces continuous values rather than distinct labels

matlab

neural-network

classification

pattern-recognition

mlp