使用感知器进行分类答案

【问题标题】：Classification using perceptron使用感知器进行分类
【发布时间】：2014-06-28 07:40:17
【问题描述】：

我是模式分类的初学者，因此这个问题可能看起来微不足道。假设我们正在对具有 4 个特征和 3 个类别的花的 IRIS database 进行分类，即 Class1, Class2, Class3 分别表示为 (0 0 1; 0 1 0; 1 1 0)。 NN 有 3 个输出神经元。因此，当网络输出时，ModelOutput = 1 1 0 我们可以断定该特征属于 Class3。现在，考虑论文中提到的模型。该模型将有 4 个输入概念和 3 个输出，每个类别一个，每个输出概念依次通过权重连接。根据论文Link，估计类别是概念值“最高”的类别。所以，在这种情况下，当模型输出

1 1 0

其中两个概念值是1。那么，“最高”是什么意思呢？有人可以解释一下这部分吗？谢谢

【问题讨论】：

标签： machine-learning neural-network classification

【解决方案1】：

如果不仔细研究，很难猜出论文中到底使用了什么（意味着我找不到相关段落）。此外，通过快速浏览，我不确定这是否是此类一般问题的最佳资源。我宁愿建议你学习一些机器学习方面的书，比如 Bishop 或 Hastie。

您的目标是多类分类。更具体地说，您似乎正在使用 one-versus-all 策略，在该策略中，您将多个二元分类器的输出（--这样的一个是您的感知器）组合起来以形成对班级成员。根据 Bishop 的《机器学习和模式识别》一书，这可能会导致概念上的问题，因为通常输入空间中存在分类不明确的区域，请参见下图感知器的情况（图. 4.2 来自主教）：

不出现此问题的另一种方法是一对一分类器，您可以在其中训练大量的二元分类器。

但要回答您的问题：通常，课堂作业相当简单。你会得到你的学习者的真实输出y [我猜你正在使用多层感知器]，它通过 sigmoid 函数映射到 [0,1]（或者更常见的是通过 tanh 函数映射到 [-1,1]） .接下来，您需要一个规则来将结果 0 和 1 分配给您的输出，通常选择为 0 if y<0.5 和 1 if y>=0.5。所以，你评估你的两个二元分类并设置你的结果向量。

【讨论】：

谢谢。既然分类准确度似乎取决于它，那么如何确定阈值 0.5？
这是一个常见的选择，但没有什么可以阻止您使用其他值。请注意，这对应于使用不同的 sigmoid 函数（在 x 轴上移动）。
那么，你说这是激活函数 1/(exp(-lambda*x)) where lambda = 0.5?
不，我会说它是两者的结合：例如，您可以选择正常的 sigmoid >0.7 作为标准，或者您可以找到一个移位的 sigmoid 1/(exp(- (x-beta))+1) > 0.5。根据您选择的测试版，两者可能是等效的。