Cómo interpretar la salida de una red neuronal

Depende de la función de activación de la capa de salida, el número de neuronas en la capa de salida y cómo entrenó a la red.
Por ejemplo, si la tarea es clasificar una imagen en una de las 10 categorías, puede hacer esto:

  1. Lo típico es usar un soft-max como función de activación para la capa de salida con 10 neuronas ocultas (y solo la capa de salida). El soft-max emite probabilidades, por lo que en este caso la salida de la red es la probabilidad P (Y | X) (Y la salida dada X la entrada). Elegirás la más alta de estas probabilidades para que sea tu clase precisa. La salida en sus datos de entrenamiento será una representación de un vector caliente, un vector que contiene todos los ceros y uno solo en el índice de la clase.
  2. Puede usar una función de activación Sigmoide con una neurona oculta. La salida en el conjunto de datos de entrenamiento es un número que representa el número de categoría del 0 al 9 (dividido por 10 para la normalización). Después del entrenamiento, aproximarás el resultado y esta es tu clase o categoría correcta.

Lo que hice en (2) es lanzar un problema de clasificación a un problema de regresión. No es saludable hacer (2) y lo típico es hacer (1)
Interpretar el resultado de una red neuronal es una habilidad que adquirirá cuando entrene a muchos de ellos o lea documentos de investigación que describan el conjunto de datos y el preprocesamiento de datos.

La salida suele ser bastante fácil de interpretar: será lo que la red haya sido entrenada para hacer con la entrada. Por ejemplo, si se trata de una red de clasificación de imágenes, los nodos de salida generalmente corresponderán a las diferentes clases, la (s) más activada (s) correspondiente (s) a las clases reconocidas para la imagen de entrada.

Interpretar los patrones de activación de las capas ocultas para tratar de comprender lo que las redes realmente hacen y cómo funciona es generalmente lo que es difícil.