可解释的神经网络：分类

在这篇文章中，我的目的是简单解释神经网络如何执行二元和多原分类。我将解释二元分类只是网络执行的核技巧，而多类分类只是搜索最优功能。简单的2D案例我们想做一个二元分类，其中输出可以是Class1或Class0.最初我们的数据是非线性分离的，看起来像：

图1：绿点（Green）代表0，红点（Red）代表1绿色区域-G是目标决策边界，对于属于G的所有点（x，y），我们的网络输出0.并且类似于R输出1中的所有点（x，y）。考虑一个简单的隐藏层神经网络，其中有两个隐藏的神经元。输出是一个概率P（另一个是1-P，因为只有两个类）。

图2:网络可视化输出方程(1)该图是这样的：对于红色区域中的点X，Y，我们得到P大于0.5，而对于绿色值，我们得到P小于0.5。图2中绿色和红色的边界是决定边界，其中两个类别恰好为0.5（为了更清楚，参见图3）。你可以将这个决策边界视为超平面切割我们的图形。我们的映射是将X，Y（它们不是线性可分离的）投射到另一个空间中，在那里它们可以线性分离，然后在空间中传递线性分类器或超平面。