问题描述
我有一个带有 LSTM 的分类 (Keras)，用于将 4 个属性标记为 2 个类（安全和不安全）的数据集。将 sigmoid 放在最后一层，我得到了 98% 的准确率，而不是 softmax。
我的问题是：
1）如果我在最后一层使用softmax：
在基于 2 个神经元作为其他代码末尾输出的 softmax 中，我可以比较分数并说出数据属于哪个。
例如 score_safe= 1.2945 和 score_unsafe= -9.0 那么我可以说这行数据集属于安全类。
2）如果我在最后一层使用 Sigmid：
然后我只需要把一个神经元作为 up 输出，我怎么能比较分数，怎么能说这行数据集属于哪个类？
model = Sequential()
model.add(LSTM(256,input_shape=(x_train.shape[1:]),activation='tanh',return_sequences=True))
#model.add(Batchnormalization())
model.add(Dense(128,activation='tanh'))
#model.add(Batchnormalization())
model.add(Dense(128,activation='tanh'))
model.add(Dense(1,activation='sigmoid'))
解决方法
sigmoid 的输出是一个介于 0. 和 1 之间的浮点数。
通常设置为，如果输出低于 0.5，则模型将分类为第一类（无论哪个类在您的数据集中表示为 0）。如果输出高于 0.5，模型将归类为第二类（在您的数据集中表示为 1）。
可以改变 0.5 阈值以引入对一个或另一个类别的偏见。