0

1 または 0 を予測するネットワークを作成しました。現在、TN、FN、TP、FP を見つける必要があるネットワークの ROC 曲線に取り組んでいます。ネットワークの出力が >= 0.5 で目的の出力が 1 の場合、それを True Positive に分類しました。そして、望ましい出力が 0 で >=0.5 の場合、誤検知に分類しました。それは正しいことですか？私の理解が正しいかどうかを確認したいだけです。

4

1 に答える 1

1

True/False Positive/Negative は、ネットワークの内部ではなく、分類の結果を分析する形式にすぎないため、すべてはネットワークの使用方法に依存します。あなたが書いたことから、あなたは1つの出力ノードを持つネットワークを持っていると思います[0,1]. この値が 0.5 よりも大きい場合は1出力を想定し、0それ以外の場合は正しいという方法でモデルを使用する場合。一般に、出力の「解釈」とは何かを検討し、次のように要約できる TP、FN などの定義を使用する必要があります。

         your network
truth      1     0
    1     TP    FN
    0     FP    TN

g( output )実際、予測されたクラス番号を返す関数を常に使用しているため、「解釈」を参照しました。あなたの場合、それは単純g( output ) = 1 iff output >= 0.5です。しかし、マルチクラスの問題では、おそらくg( output ) = argmax( output )になりますが、特にそうする必要はありません-「描画」についてはどうですか（2つ以上のニューロンが同じ値を持つ場合）。真/偽陽性/陰性を計算するには、常に最終的な分類のみを考慮する必要があります。その結果、モデルの品質、学習プロセス、およびこの「解釈」を測定していますg。

また、「ポジティブ」クラスと「ネガティブ」クラスの概念はしばしばあいまいであることにも注意してください。あるオブジェクト/イベントの検出などの問題では、「発生」が肯定的なイベントであり、「の欠如」が否定的であることは明らかですが、他の多くの場合、たとえば性別分類など、明確な解釈はありません。そのような場合、使用するメトリクスを慎重に選択する必要があります。一部のメトリクスはポジティブ (またはネガティブ) な例に偏っているためです (たとえば、精度では真陰性も偽陰性も考慮されません)。

于 2013-09-02T15:55:21.813 に答える