Интерпретация ответов сети

Выход нейронной сети должен интерпретироваться как ответ, понятный пользователю. Например, если ответом сети является число или вектор, компоненты которого являются числами (например, в задачах прогнозирования и аппроксимации функций), то результат должен быть подвергнут обратному масштабированию (демасштабированию).

Другим, часто встречающимся случаем, является предсказание сетью принадлежности входного вектора одному из заданных классов. Такие задачи называют задачами классификации, а решающие их сети — классификаторами. В простейшем случае задача классификации ставится следующим образом. Пусть задано классов. Тогда нейронная сеть выдает вектор из сигналов. Однако нет единого универсального правила интерпретации этого вектора [2]. Наиболее часто используется интерпретация по максимуму: номер нейрона, выдавшего максимальный по величине сигнал, является номером класса, к которому относится предъявленный сети входной вектор. Такие интерпретаторы ответа называются интерпретаторами, кодирующими ответ номером канала (номер нейрона соответствует номеру класса). Все интерпретаторы, использующие кодирование номером канала, имеют недостаток — для классификации на классов требуется выходных нейронов. При большом требуется много выходных нейронов для получения ответа.

В двоичном интерпретаторе на выходе сети получаетсядвоичный код номера класса. Для этого каждый выходной сигнал нейронной сети интерпретируется как 0 или 1. Полученная последовательность нулей и единиц интерпретируется как двоичное число. Двоичный интерпретатор позволяет интерпретировать выходных сигналов нейронной сети как номер одного из классов.

Как уже было сказано в разделе 2.2, при решении на нейронной сети задач классификации для выходного слоя сети очень удобна конкурирующая функция активации с мягким максимумом — функция softmax

,

где — выход ‑го нейрона, — выход адаптивного сумматора ‑го нейрона, — число нейронов выходного слоя.

Тогда сигнал каждого нейрона выходного слоя может трактоваться как вероятность соответствующего события, например, как вероятность принадлежности входного вектора классу.

При решении задач классификации важно выбрать точку отсечения — значение выхода сети, при превышении которого входной вектор относится к тому или иному классу. Выбор точки отсечения будет рассмотрен в разделе 3.8.