Matlab 分类器产生连续的值而不是不同的标签

解释如何将多层感知器应用于分类任务。我有一个长度为80的输入特征向量，我想训练一个多层感知器，将输入向量分为两类-0和1。我的输出层包含1个节点

问题1我希望分类器有一个二进制输出，但是模型输出的实值数字在0和1之间。为什么会发生这种情况，以及如何将其转换为二进制类？教程链接中没有提到如何获取二进制值标签，即在最后一层中使用什么函数

为了澄清，一旦在下面计算了模型输出，则为前4个输出值

y= 0.1042 0.9961 0.9956 0.0049 我可以使用一个简单的阈值函数，如bin_target=y>=0.5，其中所有大于或等于0.5的数字都标记为1，其余的标记为0。但是，手动选择阈值对我来说似乎是任意的

问题2 MSE的计算：应在已知二值目标Y和实值模型输出Y或perfClassify=Y_bin-Y之间计算均方误差或简单误差以报告性能

下面的代码是我对数据输入进行分类的尝试

问题1之所以出现，是因为默认的输出传递函数是“softmax”，这在技术上是一个连续函数，是一个概率分布。这种输出包括置信度信息，而不仅仅是输出类。我的观点是0.5是二进制分类问题的正确阈值，因为据我所知，得到输出的值意味着这个输入对应于类true的概率

>>净=净； >>dispnet.layers{net.numLayers}.transferFcn； softmax 很遗憾，我无法评论softmax是否适合您的问题，但如果您想更改它，可以使用“帮助”找到选项列表：

>>帮助转移 神经网络传递函数。 竞争传递函数。 elliotsig-ElliotSigmoid传递函数。 hardlim-正硬极限传递函数。 hardlims-对称硬极限传递函数。 logsig-对数S形传递函数。 逆传递函数。 poslin-正线性传递函数。 purelin-线性传递函数。 radbas-径向基传递函数。 radbasn-径向基归一化传递函数。 satlin-正饱和线性传递函数。 对称饱和线性传递函数。 softmax-Soft max传递函数。 tansig-对称S形传递函数。 三角基传递函数。 主nnet功能列表。 也许你要找的是。要更改传递函数，只需为最后一层的transferFcn字段指定一个有效值，例如net.layers{net.numLayers}.transferFcn='hardlim'

---

至于问题2，如中所述，使用连续分数是有益的。

请尝试重新表述您的问题，以便更清楚地解释3件事：预期结果是什么，目前正在发生什么，以及您如何尝试解决它。请集中精力让你的问题变得独立，也就是说，在文章的正文中包含所有必要的信息，这样它就可以回答，而不必遵循链接。该链接有助于了解上下文，但可能链接到该页面中的特定数字会更有助于解释您的问题。谢谢您的回答。为了澄清，更改最后一层的传递函数的方法，我是否应该在语句net.layers{net.numLayers}.transferFcn='hardlim'中提到层的数量？那么，如果有一个输入层，后面是两个隐藏层，然后是一个输出层，那么这个命令应该是什么？不需要更改命令，它总是指最后一层。当然，不要相信我的话——你应该自己运行它并验证结果。非常感谢。关于MSE的答案，我确实关心将实值模型的输出与目标类标签进行比较的过程。这是因为在这种情况下，MSE可能不接近零。此外，如果混淆矩阵也用作性能工具，则使用实值输出可能是矛盾的-混淆矩阵将显示100%的准确性，而MSE相当高。然而，如果在标签之间比较MSE，即在使用0.5作为阈值转换实值模型的输出之后，则MSE可能为零。你的建议是什么？如果你能通过详细阐述这一点来更新你的答案，这将是很有帮助的-如果MSE和混淆矩阵都被使用，那么这两种方法都使用不同的值。MSE使用实值输出和二进制值目标之间的误差。另一方面，混淆矩阵使用二进制值。

---

不幸的是，我不是这方面的专家，所以我不能不阅读链接帖子中的文章来详细阐述。无论如何，这听起来像是一个完全不同的问题，值得单独讨论。我建议你或者在上打开一个新问题，对要求澄清的链接问题发表评论，或者向文章作者发送一封关于他们文章的电子邮件。如果没有这些信息，你觉得这个答案没有用，我会删除它。

% Create a Pattern Recognition Network
hiddenLayerSize = 10;
net = init(net);
net.performFcn = 'crossentropy';
net = patternnet(hiddenLayerSize);

% Train the Network
[net,tr] = train(net,inputs,Y);  % Y=targets

% Test the Network
y = net(inputs);

bin_target = y>=0.5;
error1 = bin_target-Y'; 
% OR
error2 = y - Y';