问在训练神经网络的多次训练中应取多少输出值？

EN

这是大多数分类器的正常行为。你不能保证100%的机器学习的准确性，一个直接的结果是分类器会犯错误。不同的分类器，即使对相同的数据进行训练，也会犯不同的错误。不同起始权值的神经网络每次都会收敛到略有不同的结果。

而且，也许在你的问题中，分类是在某个光谱上的人为构造(例如“汽车”对“货车”或“安全”对“危险”)，在这种情况下，错误在一个情况下是完全合理和预期的？

您应该使用您最信任的分类器的值。若要确定哪一种，即在延迟集上使用交叉验证(在其中您知道真正的标签)，并使用最精确的分类器，或其他度量，例如日志丢失或ROC下的区域。您应该选择哪一种度量标准，取决于问题的性质和犯错误的后果。

或者，您可以考虑平均类概率来确定最佳预测--也许一个分类器对类分配很有信心，而另一个则没有，所以一个平均值将与第一个分类器一起使用。某种类型的模型聚合通常会提高准确性，并且在Kaggle竞赛中很常见，当你想要尽可能高的分数时，不介意额外的努力和成本。但是，如果您想使用聚合来解决您的问题，同样，您应该使用验证和合适的度量来测试您的假设，这样您就可以知道它是否真的是一种改进。