问神经网络结果的均方误差和roc曲线

EN

edit#1:有一本关于如何使用神经网络results http://www.lcc.uma.es/~jja/recidiva/048.pdf生成ROC曲线的出版物

1)您可以缩放您的值(例如，使用minmax )。但是只扩展你的训练数据集。保存缩放过程中使用的参数(在minmax中，它们将是数据缩放所依据的最小值和最大值)。只有这样，您才能使用从训练数据集获得的最小值和最大值来缩放测试数据集。请记住，使用测试数据集，您将尝试模拟对未见数据进行分类的过程。看不见的数据将使用测试数据集中的缩放参数进行缩放。

2)当谈到错误时，一定要提到错误是在哪个数据集上计算的。您可以在训练数据集上计算误差函数(实际上，有不同的误差函数，其中之一是均方误差，即MSE)，并为测试数据集计算一个误差函数。

4)想想看:假设你用测试数据集训练一个网络，它在输出层只有一个神经元。然后，将其与测试数据集一起呈现。根据您在输出层中使用的传递函数(激活函数)，您将获得每个样本的值。让我们假设您使用sigmoid传递函数，其中最大值和最小值分别为1和0。这意味着预测将被限制在1到0之间的值。

假设您的目标标签("truth")只包含离散值0和1(表示样本属于哪个类)。

targetLabels=[0   1   0   0   0   1   0  ];
NNprediction=[0.2 0.8 0.1 0.3 0.4 0.7 0.2];

你如何解释这一点？您可以应用硬限制函数，使NNprediction向量仅包含离散值0和1。假设您使用的阈值为0.5：

NNprediction_thresh_0.5 = [0 1 0 0 0 1 0];
vs. 
targetLabels             =[0 1 0 0 0 1 0];

有了这些信息，您可以计算假阳性、FN、TP和TN (以及一系列额外的派生指标，如真阳性率= TP/(TP+FN) )。

如果你有一条ROC曲线，显示假阴性率与真阳性率，这将是该图中的一个点。但是，如果改变硬限制函数中的阈值，则可以获得完整曲线所需的所有值。

合乎道理?看到一个进程对其他进程的依赖关系了吗？