Machine learning 机器学习两类分类

我在Azure ML studio中构建了这个ML模型，它有4个功能，包括一个日期列

试图预测明天的价格是否会高于今天。更高=1，而不是更高=0

它是一个两类神经网络（具有调谐模型超参数）

当我测试它时，我希望得到一个介于0-1之间的答案，我确实是这样做的。当我将功能从1更改为0时，问题就出现了。得到了几乎相同的答案

我认为如果1=得分概率为0.6 然后，0（具有相同的特性）应该得到0.4分

数据快照（是的，我知道我需要更多）

模型是根据“超过5”的特性进行训练/调整的，我希望从0-1范围内的两类神经网络模块中得到答案

评分模块还生成介于1和0之间的结果。一切看起来都是正确的

我改变了标准化方法（在commenter重新修改后），但它并没有对输出有太大的改变

一切似乎都井然有序，但我的目标是预测一天结束“超过5”并得到1的可能性

当我在Over5列中使用“1”来测试模型时，我得到的预测值是0.55。。。然后我用相同的设置测试了模型，只将1改为0，我仍然得到相同的输出0.55

---

我不明白为什么会这样，因为该模型是针对Over5功能进行培训/调整的。更改该列中的输入应该会产生不同的结果？

神经网络的输出通常不是概率，因此这可能是您无法获得所需的“1-p”结果的原因

现在，如果是简单的逻辑回归，你会得到概率作为输出，但我假设你说的是真的，你使用的是一个超级简单的神经网络

此外，您可能正在改变的是偏差“特征”，这也可能导致模型在训练后给出相同的结果。老实说，这篇文章中的信息太少，无法确定到底发生了什么。我建议您尝试规范化您的功能，然后再试一次

---

编辑：你知道你的神经网络实际上是有两个输出节点，还是只有一个输出节点？如果有两个节点，那么原始输出与哪个节点具有更高的输出没有多大关系。如果它只是一个，我会考虑在某个地方对它进行阈值化（比如>0.5意味着价格会上涨，但是谢谢你，我改变了标准化，但它产生了相同的结果。你能解释一下你对偏差特征的意思吗？我们所说的偏差“特征”是我们添加到网络中每一层的常数，允许我们将激活值向左或向右移动。有一篇很好的文章介绍了偏置的用途。不过，我现在可以看出，你没有改变偏置项，而是改变了5以上的特性。