LSTM二分类任务输出层用Sigmoid时如何判定样本所属类别
单神经元Sigmoid输出的二分类判定方法
- Sigmoid激活函数的输出范围固定为0到1之间,表示样本属于某一指定类别的概率,你只需要提前和训练时的标签映射规则对齐,再设置分类阈值即可判断类别。
具体操作步骤
- 确认训练时的标签映射规则:你需要先明确训练数据集里标签和类别的对应关系,可按你自己的实际设置调整,常见映射规则如下:
- 规则1:「安全」→ 标签0,「不安全」→ 标签1
- 规则2:「安全」→ 标签1,「不安全」→ 标签0
- 选择分类阈值:默认通用阈值为0.5,如果你的业务有特殊要求可以灵活调整:
- 若要尽量减少「不安全」样本的漏判,可降低阈值到0.3~0.4,让更多样本被判定为不安全
- 若要尽量减少「安全」样本的误判,可提高阈值到0.6~0.7,只有得分很高才会判定为不安全
- 按规则判定类别:以「不安全对应标签1」的映射规则为例,判定逻辑如下:
- 模型输出得分 ≥ 阈值 → 样本属于「不安全」类
- 模型输出得分 < 阈值 → 样本属于「安全」类
预测代码示例
你使用当前给出的模型做预测时,可以参考以下代码直接得到分类结果:
# 得到所有测试样本的sigmoid得分,输出形状为 (样本数, 1) pred_scores = model.predict(x_test) # 以阈值0.5为例,得到0/1分类标签 pred_labels = (pred_scores >= 0.5).astype(int).flatten() # 转换为文字类别的示例(按你自己的标签映射调整即可) category_map = {0: "安全", 1: "不安全"} pred_categories = [category_map[label] for label in pred_labels]
补充说明:二分类场景下使用单神经元+Sigmoid是更轻量化且适配的方案,双神经元+Softmax的参数数量是前者的两倍,在你的任务中出现效果更差的情况属于正常现象,大概率是额外的参数带来了不必要的拟合噪声。
内容的提问来源于stack exchange,提问作者ELI
相关产品推荐
相关产品推荐

