Keras 中二进制分类的输出层

Posted 2023-03-12

【中文标题】Keras 中二进制分类的输出层

【英文标题】：Output layer for Binary Classification in Keras

【发布时间】：2020-07-20 12:44:36

【问题描述】：

我需要将图像分类为癌性或非癌性。

为此，我构建了一个经典的 CNN，但我在使用这样的两列向量标记我的数据集之间犹豫不决：

cancerous: [0, 1]
not cancerous: [1, 0]

并使用具有 2 个输出神经元的 softmax 激活函数。

model.add(Dense(2, activation='softmax'))

或

cancerous: [1]
not cancerous: [0]

并使用带有一个输出神经元的 sigmoid 激活函数。

model.add(Dense(1, activation='sigmoid'))

鉴于我需要使用患癌概率作为患者的最终指标以及绘制 ROC 曲线，哪种模型更好？

【问题讨论】：

这个问题被问及详细回答here。它没有谈论 ROC，但您可能仍然会发现它很有用。

使用 sigmoid 或 softmax 激活与使用二进制或 one-hot 编码标签直接相关，您应该完全意识到这一点，因为您对已删除的答案做出了不正确的评论。

【参考方案1】：

一般的趋势是使用带有sigmoid曲线的多个输出节点进行多标签分类。通常，softmax 用于多类分类，其中 softmax 预测每个输出的概率，我们选择概率最高的类。对于二元分类，我们可以选择单个神经元输出通过 sigmoid，然后设置一个阈值来选择类别，或者使用两个神经元输出然后执行 softmax。在任何一种情况下，阈值化都是可能的。绘制具有单个神经元输出的 ROC 曲线相当容易，因为您必须对一个值设置阈值。因此，您可以轻松使用model.add(Dense(1, activation='sigmoid'))