机器学习两类分类[关闭]答案

【问题标题】：Machine Learning Two class classification [closed]机器学习两类分类[关闭]
【发布时间】：2019-01-27 18:45:27
【问题描述】：

我在 Azure ML Studio 中构建了这个 ML 模型，它具有 4 个功能，包括一个日期列。

试图预测明天的价格是否会高于今天。更高 = 1，而不是更高 = 0

它是一个二类神经网络（带有 Tune 模型超参数）。

当我测试它时，我希望得到一个介于 0 - 1 之间的答案。当我将功能从 1 更改为 0 时，问题就来了。得到几乎类似的答案。

我认为如果 1 = 0.6 的得分概率那么 0（具有相同的特征）应该给出 0.4 的分数

数据快照（是的，我知道我需要更多）

模型在“Over5”特征上进行了训练/调优，我希望在 0 -1 之间的范围内从二类神经网络模块中得到答案。

Score 模块也会产生介于 1 和 0 之间的结果。一切看起来都是正确的。

我更改了规范化方法（在评论者推荐后），但它并没有太大改变输出。

一切似乎都井井有条，但我的目标是预测一天完成“Over5”并导致 1 的可能性。

当我在 Over5 列中使用“1”测试模型时，我得到的预测值为 0.55...然后我用相同的设置测试了模型，只是将 1 更改为 0，我仍然得到相同的输出0.55...

我不明白为什么会这样，因为该模型是根据 Over5 功能进行训练/调整的。更改该列中的输入会产生不同的结果吗？

【问题讨论】：

【解决方案1】：

神经网络的输出不是概率（通常），因此这可能是您没有得到您正在寻找的“1 - P”结果的原因。

现在，如果是简单的逻辑回归，你会得到概率作为输出，但我假设你说的是真的，并且你使用的是超级简单的神经网络。

此外，您可能要改变的是偏差“特征”，这也可能导致模型在训练后为您提供相同的结果。老实说，这篇文章中的信息太少，无法确定发生了什么。我建议您尝试规范化您的功能并重试。

编辑：您知道您的神经网络实际上是否有 2 个输出节点，还是只有一个输出节点？如果有两个，那么原始输出与哪个节点的输出更高无关紧要。如果它只是一个，我会考虑在某个地方设置阈值（比如 >0.5 意味着价格会上涨，但

【讨论】：

谢谢，我改变了规范化，但它产生了相同的结果。你能解释一下你的偏见特征是什么意思吗？
我们所说的偏差“特征”是我们添加到网络中每一层的一些常数，允许我们将激活值向左或向右移动。 stackoverflow.com/questions/2480650/… 有一篇很棒的帖子，涵盖了偏见的用途。不过，我现在可以看到，您并没有改变偏置项，而是改变了 over5 特征。