Wie wird der Output Layer eines KNN ausgewertet?

[Kowalski (Gast)]

Hey Leute, ich habe eine kurze Frage zu neuronalen Netzen:
Angenommen ich habe ein simples feedforward Netz mit bereits trainierten 
Gewichten.
Das Netz besteht aus einem Input Layer, einem Hidden Layer und einem 
Output Layer. Der Output Layer wiederum besteht aus 3 Neuronen, da es 3 
mögliche Klassifizierungen für die Daten gibt.
Wie wird der Output denn dann genau klassifiziert?
Wenn z.B. output = [0.33, 0.12, 0.65] das Ergebnis wäre, ist das 
Ergebnis dann als Klasse 3 zu interpretieren?
Also quasi ist immer der größte Wert das Ergebnis? Oder würde der 
Ausgang eher so aussehen: output = [0,0,1]?

[Bastler (Gast)]

Kowalski schrieb:
> Wie wird der Output denn dann genau klassifiziert?

Naja, der Output-Layer geht meistens durch eine Aktivierungsfunktion, 
z.B. Softmax. Dann bekommst Du eine Wahrscheinlichkeitsverteilung.


> Also quasi ist immer der größte Wert das Ergebnis?

Das kommt auf Deine Anwendung drauf an.

[Kowalski (Gast)]

Bastler schrieb:
> Kowalski schrieb:
>> Wie wird der Output denn dann genau klassifiziert?
>
> Naja, der Output-Layer geht meistens durch eine Aktivierungsfunktion,
> z.B. Softmax. Dann bekommst Du eine Wahrscheinlichkeitsverteilung.
>
>> Also quasi ist immer der größte Wert das Ergebnis?
>
> Das kommt auf Deine Anwendung drauf an.

Ok, danke für die Antwort.
Meinst du mit dem letzten Satz: "kommt auf die Anwendung an", dass es 
auch Anwendungsfälle gibt, bei denen ein Objekt mehreren Klassen 
angehören kann?
Bin bis jetzt davon ausgegangen dass KNNs nur explizit entweder / oder 
können.

Ist echt ein interessantes Thema, aber die meisten Quellen beschäftigen 
sich immer nur damit, wie man die Gradienten und die 
Gewichtsaktualisierungen berechnet usw., aber Quellen die einfach mal 
die simplen Tatsachen von einer gewissen Distanz aus darstellen, konnte 
ich bis jetzt leider nicht finden.

[nicht so (Gast)]

Kowalski schrieb:
> Meinst du mit dem letzten Satz: "kommt auf die Anwendung an", dass es
> auch Anwendungsfälle gibt, bei denen ein Objekt mehreren Klassen
> angehören kann?

Wenn du das CNN mit einem Bild fütterst, das mehrere bekannte Objekte 
enthält, dann wäre es zu erwarten, dass mehrere Neuronen im Output-Layer 
hohe Werte annehmen

[jan (Gast)]

Ich kenne diese beiden: 
https://de.mathworks.com/help/deeplearning/ref/classificationlayer.html 
(Cross-entropy) und den 
https://de.mathworks.com/help/deeplearning/ref/nnet.cnn.layer.softmaxlayer.html 
(Softmax)

Das sind die Ausgangslayer.