Machine learning 如何表示神经网络的期望输出，以便与实际输出进行比较？

神经网络学习近似期望输出，因此可以使用未知测试集，并根据其各自的类别对每个测试示例进行分类。例如，神经网络可以学习对手写数字进行分类，并将手写的“9”识别为值9

---

神经网络如何将训练样本的输出与期望输出进行比较？在神经网络的结构中，期望的输出采用什么编码？

主要的思想是，你不会为所有的东西都创建一个单一的输出，然后问它“这是什么数字？”。您为每个数字创建一个输出，并询问每个数字“这是数字x吗？”

因此，所需的输出必须用1Xn向量编码，其中n是类的数量。所有值都将为0，与所需类别对应的值将为1。例如，在您的例子中，创建一个1X10向量，并将零编码为

[1 0 0 0 0 0 0 0 0 0]

一个作为

[0 1 0 0 0 0 0 0 0 0]

九个是

[0 0 0 0 0 0 0 0 0 1]

对于实际输出，创建一个具有10个输出的感知器。每个输出将给出[0,1]中的值。具有最大值的输出获胜，并被视为1，而所有其他输出均被视为0。因此，如果网络的输出是

[0.1 0.05 0.02 0.92 0.4 ....]

这些对应于数字[0 1 2 3 4..]的投票，因此分类器建议的数字为3