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，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，但模型输出的是实数值（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？教程链接中没有提到如何获取二进制值标签，即在最后一层使用什么函数。

为了澄清，一旦模型输出被计算出来（下面是前 4 个输出值），

y = 
    0.1042
    0.9961
    0.9956
    0.0049

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，其余数字标记为 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：在已知的二进制值目标Y和实值模型的输出@987654327之间计算均方误差还是简单的误差来报告性能@ 或 perfClassify = y_bin - Y?

---

下面的代码是我对inputs的数据进行分类的尝试。

% 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'，这是一个连续函数（技术上是概率分布）。这样的输出包括“置信度”信息而不仅仅是输出类。我的意见是0.5 是二元分类问题的正确阈值，因为据我了解，获得输出的值意味着“此输入对应于类true 的概率”。

>> 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，您可以使用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，只需为最后一层的transferFcn 字段分配一个有效值（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。