machine-learning - 神经网络分类成层次类别
问题描述
我正在研究渐进类的分类问题。换句话说,有一些类别的层次结构,即A < B < C,例如低、中、高。我应该使用什么输出层的损失函数和激活函数来利用类层次结构?
我的想法是:
1) 要为每个类别分配一些值,请使用一个具有 sigmoid 激活和 RMS 损失函数的输出单元。然后将每个类分配给一个区间,例如 0-033 - A 类,0.33-0.66 B 类 0.66-1 - C 类。这似乎可以解决问题,但可以偏向于极端类别而不是中间类别。
2)使用K个softmax输出单元,整数标签代替one-hot编码和稀疏分类交叉熵损失函数。在这种情况下,我不确定稀疏分类交叉熵究竟是如何工作的,以及它是否真的考虑了层次结构。
解决方案
推荐阅读
- r - 在 R Shiny 中包含一个交互式文档
- sql - SQL Server:内部自联接返回太多值
- azure - 为 Azure 市场开发 Web 应用程序
- ethereum - 智能合约函数的输入数据在发送到以太坊网络之前如何打包成十六进制字符串
- python - 进程池中的 Python 自定义信号处理
- firebase - 我可以修改用于 Firebase 的基于电子邮件链接的身份验证的模板吗?
- html - Outlook 2016 未加载某些背景颜色
- regex - 与行中的特定字符串不匹配的正则表达式
- reactjs - 如何模拟我的 React 组件中使用的依赖项?
- java - AndroidManifest 中的工具替换