神经网络的输出值

Question

在Matlab的神经网络工具箱中工作时，创建网络后，当我尝试将其用于分类两个类之间时，我会得到某种相似度值。 sim(net,featureVector) 的输出返回矩阵Out，大小为[2x1]，每行有一些值介于[0, 1]之间。我知道sigmoid函数返回一个值介于[0, 1]之间，但问题是：“如果一个样本与A类相似度为n％，那么它不应该与B类相似度为（100-n）％吗？” 这是我从几个样本获得的输出= [其中HIT和FAIL是两个类]。因此，从第二个图像中可以看出，神经网络独立于两个类返回某种相似度值，这显然没有遵循上述规则。它似乎对每个类使用一些最小距离公式并独立返回结果。我的确切问题是：1. sim(net,featureVector)方法具体返回什么？2. 我的想法正确吗？3. 如果是，那么它使用了哪种最小距离算法。4.是否可以提供一些可以学习更多的链接。

- xor

---

当您使用机器学习算法进行分类时，元素属于某一类的预测是独立的。例如，在二元分类中，一个对象属于类'A'的概率为'n'％，则它不属于类'A'的概率不是100-'n'％，而可能是其他值。概率之和也不一定为100。 - Hammad Haleem

那么实际上在幕后是什么在运作？ - xor

Answer 1

sim 是 simulate 的缩写，而不是 similarity。你得到的是网络 net 的输出节点的值。这两个值是属于每个类别的独立分数。如果您想要更接近“概率”的东西，您需要对它进行标准化，只需将此向量除以其自身的总和即可。所以，将 [a b] 更改为 [a/(a+b) b/(a+b)]，这将导致值总和为 1（如所需）。

如果是的话，它使用什么最小距离算法。

神经网络不基于任何形式的“到类的最小距离”。它是一个更复杂的对象，来自回归模型，而不是简单的距离测量（尽管显然可以明确说明从神经网络权重到“到类的距离”种类，但对于像图像这样的高维数据，它的方程会非常长）。

- lejlot