python - 如何解释多类分类的输出？

Question

我有一个 4 个输入和 3 个输出的顺序模型:

def baseline_model():
    # create model
    model = Sequential()
    model.add(Dense(4, input_dim=4, init='normal', activation='relu'))
    model.add(Dense(3, init='normal', activation='sigmoid'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    # serialize model to JSON
    model_json = model.to_json()
    with open("model.json", "w") as json_file:
        json_file.write(model_json)
    # serialize weights to HDF5
    model.save_weights("model.h5")
    print("Saved model to disk")
    return model

我使用下面的代码来预测类别。

prediction = model.predict(np.array([[data[0],data[1],data[2],data[3]]]))

但是预测的返回结果是[[ 0.49986306 0.5005092 0.50012374]]。

如何解释预测的值(value)？

下面的解释对吗？

Class1 -- when single value > 0.5 -> 1 (sum of 3 number ==1 )

Class2 -- when single value > 0.5 -> 1 (sum of 3 number ==2 )

Class3 -- when single value > 0.5 -> 1 (sum of 3 number ==3 )

如果解释错误如何解释预测的值(value)？

Answer 1

正如评论中所说，既然你引用了 this tutorial ，你应该知道有一个错误。

您想要在这里预测哪种鸢尾花的类型。 sigmoid 激活将为您提供 0 到 1 之间的 3 个输出。您正在训练它们，以便 2 个必须趋向 0，一个趋向 1。问题是没有什么可以阻止输出为 1， 1, 1，这种情况不应该发生，因为您只想检测一朵花的一种类型的鸢尾花。

这就是“softmax”激活有用的地方。它只是对输出进行归一化，以便 3 个输出的总和为 1。当您只想检测多种可能性之间的一类时，您应该始终使用softmax。然后，您可以将输出 i 解释为花属于类 i 的概率。

您的输出将如下所示:

[0.1, 0.2, 0.7] or [0.3, 0.4, 0.3]

为了解释这一点，第一个示例对于类别 3 的概率最高，因此预测类别 3。第二个示例对于类别 2 的概率最高，因此预测类别 2。

为此，您必须在模型中更改以下行:

model.add(Dense(3, init='normal', activation='softmax'))

是不是更清楚了？