python - 将 sigmoid 结果解释为神经网络中的概率

Question

我在最后一层创建了一个带有 sigmoid 激活函数的神经网络，所以我得到的结果在 0 到 1 之间。我想将事物分为 2 个类，所以我检查“数字是否 > 0.5，然后类1 其他 0 级”。都是基本的。但是，我想说“它在 0 类中的概率是 x，在 1 类中的概率是 y”。

我该怎么做？

• 像 0.73 这样的数字是否表明它有 73% 的可能性属于 1 类？那么 1-0.73 = 0.27 那么 27% 属于 0 类？
• 当它为 0.27 时，是否意味着 0 类的确定性为 27%，1 类的确定性为 73%？毫无意义。

我应该使用 0.5 并查看“数字离中心有多远，然后就是百分比”？

或者我误解了神经网络的结果？

Answer 1

正如 Teja 所指出的，简短的答案是否定的，但是，根据您使用的损失，它可能比您想象的更接近事实。

想象一下，您尝试训练网络将数字区分为两个任意类别: beautiful和ugly 。假设您输入的号码是 0或1和0有一个 0.2被标记的概率ugly而1有 o 0.6成为ugly的概率.

想象一下您的神经网络将 0 作为输入和 1 s，将它们传递到一些层，并以 softmax 函数结束。如果您的损失是二元交叉熵，那么您的网络的最佳解决方案是输出 0.2当它看到0时在输入和 0.6当它看到1时输入(这是交叉熵的一个属性，当您输出每个标签的真实概率时，它会被最小化)。因此，您可以将这些数字解释为概率。

当然，现实世界的例子并不那么容易，并且通常是确定性的，因此解释有点棘手。然而，我相信，只要你使用交叉熵作为损失，将你的结果视为概率并不是完全错误的。

抱歉，这个答案不是非黑即白，但现实有时很复杂;)