我正在开发一个简单的 AI 程序，该程序使用无监督学习方法对形状进行分类。本质上，我使用边数和边之间的角度，并将聚合百分比生成为形状的理想值。这有助于我在结果中创建一些模糊性。
问题是如何表示分类中的错误程度或置信度？例如：一个看起来很像正方形的小矩形会从这两个类别中产生夜间成员值，但我可以表示错误程度吗？
谢谢
【问题讨论】：
标签： statistics artificial-intelligence classification
您的信心基于使用的模型。例如，如果您只是根据角度（或边）的数量应用一些规则，那么您就有了对象的一些多维表示：
feature 0, feature 1, ..., feature m
不错的统计方法
您可以根据经验结果定义某种置信区间，例如。您可以将多维高斯分布拟合到您对“矩形对象”的经验观察中，一旦您得到一个新对象，您只需检查高斯分布中此类值的概率，并有信心（这将是非常合理的假设，您的“观察”错误具有正态分布）。
基于距离的简单方法
较少的统计方法是直接采用模型的决策因子并将其压缩到 [0,1] 区间。例如，如果您只是以某种度量标准测量从某个完美形状到新对象的距离（这会产生 [0,inf) 的结果），您可以使用一些类似 sigmoid 的函数来映射它，例如。
conf( object, perfect_shape ) = 1 - tanh( distance( object, perfect_shape ) )
双曲正切会将值“压缩”到 [0,1] 区间，剩下要做的就是选择一些缩放因子（因为它增长得很快）
这种方法在数学方面不太有效，但类似于神经网络中采用的方法。
相对方法
还可以使用您的距离度量来定义更多概率方法。如果您与每个“完美形状”都有距离，您可以计算一个物体被分类为某个类别的概率，假设该分类是随机执行的，概率与到完美形状的距离的倒数成正比。
dist(object, perfect_shape1) = d_1
dist(object, perfect_shape2) = d_2
dist(object, perfect_shape3) = d_3
...
inv( d_i )
conf(object, class_i) = -------------------
sum_j inv( d_j )
在哪里
inv( d_i ) = max( d_j ) - d_i
结论
前两个想法也可以合并到第三个想法中，以利用所有类的知识。在您的特定示例中，第三种方法应导致矩形和圆形的置信度约为0.5，而在第一个示例中，它会更接近0.01（取决于您在“训练”集），它显示了差异 - 前两种方法显示了您对分类为特定形状本身的信心，而第三种方法显示了相对信心（因此如果其他类的高，则它可能较低，而第一种方法两个可以简单地回答“没有分类是有把握的”）
【讨论】：
稍微建立在 lejlot 提出的内容之上；我的偏好是使用带有一些挤压功能的马氏距离。马氏距离M(V, p) 允许您测量分布V 和点p 之间的距离。
在您的情况下，我会使用每个类的“完美”示例来生成分布 V 和 p 是您想要置信的分类。然后，您可以使用以下内容作为您的置信区间。
1-tanh( M(V, p) )
【讨论】：