我是神经网络和机器学习的初学者。我正在使用具有 1 个隐藏层的神经网络。我采用了螺旋数据集，并试图过度拟合数据。
我对它应用了神经网络，我得到了 98% 的准确率。但是，我在第二个图中得到了分类边界。我的意思是为什么我在黄色一侧读取颜色，在红色一侧读取蓝色！
我应该得到正确的数字边界。
即使我达到了高精度，我也没有得到这样的边界是否有原因。或者你能告诉我应该采取什么预防措施来避免这些问题。
如何解释分类边界？
机器算法验证
机器学习
分类
神经网络
深度学习
反向传播
2022-04-18 15:25:38
1个回答
原因是您不是要求模型提供“所需的边界”，而只是要求模型正确分类您的数据。
存在无限的决策边界，以相同的精度实现相同的分类任务。
当我们使用神经网络时，模型可以选择它想要的任何东西。此外，该模型不知道数据的形状（您的示例中的地面实况/生成模型/螺旋形状）。该模型将只选择一个“工作”决策边界，而不是“真正优化到真实分布”（如图 3 所示）
如果您想对决策边界做一些事情，请检查支持向量机。事实上，即使你使用 SVM，决策边界也可能不是你所期望的，因为它会最大化“边距”，但仍然不知道真实分布（螺旋或其他形状）。
正如评论中提到的，不同类型的模型有不同的决策边界。例如，逻辑回归和线性判别分析（LDA）将有一条线（或高维空间中的超平面），而二次判别分析（QDA）将有一条二次曲线作为划分边界。
最后，我对另一个问题的回答给出了一些关于不同模型决策边界的例子。
其它你可能感兴趣的问题