Neural network Rapidminer-神经网络算子-输出置信度

我有六个输入、一个隐藏层和两个输出节点（1；0）的前馈神经网络。该神经网络由0学习；1.价值观。 当应用模型时，会创建变量confidence（0）和confidence（1），其中每行的这两个数字之和为1。 我的问题是：这两个数字（信心（0）和信心（1））到底意味着什么？这两个数字是概率吗

---

感谢您的回答

置信度与初始训练数据集中激活的输出0和1的比例相对应

---

例如，如果30%的培训集有输出（1；0），其余70%有输出（0；1），那么信心（0）=30%，信心（1）=70%

通常

置信值（或分数，在其他程序中称为）表示模型对于所示示例属于某一类的置信度。它们高度依赖于一般策略和算法的属性

示例

最简单的例子是多数分类器，它只根据原始测试集中的比例为所有观察值分配相同的分数

另一个例子是k-最近邻分类器，其中类i的分数是通过平均到那些都属于k-最近邻且具有类i的例子的距离来计算的。然后将所有班级的分数总和标准化

在NN的具体示例中，如果不检查代码，我不知道它们是如何计算的。我猜这只是输出节点的值，在两个类中归一化的和

信任度是否代表概率？

一般来说，否。为了说明本上下文中的概率意味着什么：如果一个示例的“1”类概率为0.3，那么具有类似特征/变量值的所有示例中的30%应属于“1”类，70%不应属于“1”类

据我所知，他的任务叫做“校准”。为此目的，存在一些通用方法（例如，对分数进行分类并将其映射到相应分类单元的类分数）和一些依赖于分类器的方法（例如，为支持向量机发明的方法）。一个好的起点是：

---

Franck，我想我被误解了，因为我写的不是整组人的信心。在我的输出集中，我有预测变量（0或1）、置信度（0）和置信度（1）列。对于输出的每一行/观察值，这些数字是不同的。@FranckDernoncourt请使用“@”，我没有看到答复。一般指“在rapidminer中实现的所有分类算法的一般情况”。虽然我可能误解了你的答案，但从目前的情况来看，这是错误的。请注意，置信度是按行计算的，但所有行的置信度都是固定的。因此，您的答案假设每个分类器都像多数分类器一样工作。