Machine learning 基于Weka的神经网络定性分类

我有一个训练集，其中输入向量是速度、加速度和转角变化。输出是一个crisp类——来自给定集合{rest，walk，run}的活动状态。e、 g-表示输入向量[3.1 1.2]-->运行；[2.1]-->步行等

我正在使用weka开发一个神经网络模型。我定义的输出是清晰的（或者更确切地说是定性的，即分类值）。经过训练，该模型能较好地对测试数据进行分类

我想知道内部流程（映射功能）是如何发生的？定性输出状态是否在模型内获得一些标称值，并且在处理后再次转换为分类数据？因为NN模型无法通过隐藏的神经元将浮点输入值映射到分类数据，所以实际发生了什么，尽管该模型工作正常

---

如果模型将分类输出转换为标称输出，然后开始处理，那么它在什么基础上将分类值转换为一些任意数值？

神经网络的计算都是在连续值上进行的。要使用离散输出进行多类分类，其最后一层生成一个此类值的向量，每个类对应一个。要进行离散类预测，请获取该向量中最大元素的索引

---

因此，如果四类分类网络的最后一层预测[0-1 2 1]，那么向量的第三个元素是最大的，第三类被选中。通常，通过激活函数，这些值也被限制成概率分布。

是的，分类值通常被转换成数字，网络学习将输入数据与这些数字相关联。然而，这些数字常常被进一步编码，而不是仅仅使用单个输出神经元。对于无序标签，最常用的方法是添加专用于每个类别的虚拟输出神经元，并使用C中的1编码，以

0.1

和

0.9

作为目标值。使用范例解释输出

只使用一个神经元，对无序标签使用不同编号的编码类别通常会导致问题，因为网络会将中间类别视为边界类别的“平均值”。但是，如果您已对分类数据进行了排序，则有时可能需要这样做

---

你可以在网上的这部分找到关于这个问题的很好的解释

你们所说的取max元素的索引是什么意思？你能举个简单的例子吗？@user26161在向量

（0.5.4.1）

中，第二个元素是最大的，因此最大值的索引是2。