?

r1	r2	?	?
<1	<1	吸引子	c
>1	>1	排斥子	p
>1	<1	鞍點	a
<1	>1	反鞍點	fa

用p，a做訓練集，用來分類c

可能有兩種可能，一種是

?d2（p||a）-4-4-2-（2*k）,k∈{0,1}? （1，0）

向網絡的左邊輸入排斥子，右邊輸入鞍點，同時讓吸引子在1，0位收斂。得到的數據

0.5	0.5	c	c	?
a	p	0	1	0.62497

意思是當收斂標準δ等于1e-6時，訓練集（p||a）對（1，0）位c的判斷準確率為62.497%

?

第二種可能是

d2（p||a）-4-4-2-（2*k）,k∈{0,1}? （0，1）

向網絡的左邊輸入排斥子，右邊輸入鞍點，同時讓吸引子在0，1位收斂。得到的數據

0.5	0.5	c	c	?
A	p	1	0	0.37376

意思是當收斂標準δ等于1e-6時，訓練集（p||a）對（0，1）位c的判斷準確率為37.376%.

具體數據和實驗過程在《BP神經網絡分類2*2對角矩陣準確率數據匯總》

?

假設一個物理環境，這個環境由排斥子，鞍點和一個網絡組成。在這個環境中只有兩個二維的位置（1，0）和（0，1）。現在假設吸引子是一個微觀粒子進入了這個只有兩種可能的二維空間，由上面的兩個實驗表明這個粒子c在二維空間中

d2（p||a）-4-4-2-（2*k）,k∈{0,1}

將要發生分裂，在（1，0）位置存在的概率是62.49%,在（0，1）位置存在的概率是37.37%，二者累加和等于1，并且這兩種狀態同時存在。

也就是神經網絡的分類準確率表達的是一個對象在某個環境中發生分裂的概率。

由這個實驗很容易理解為什么宏觀的對象比如人不能像微觀粒子那樣穿墻，因為人作為訓練集的復雜度足夠高使得網絡的分類準確率高度的近似1，因此在另一個位置存在的概率接近0。而微觀粒子的復雜度有限，訓練集組成的網絡的分辨準確率不是足夠高，因此微觀粒子可能同時存在在兩個位置或者多個位置。

假設是由于長程力對微觀粒子的影響有限，使得微觀粒子的網絡只能由短程力構成，就使得微觀粒子的訓練集只能由少數的幾種微觀粒子構成，而無法引入宏觀世界的復雜性，導致網絡分類能力有限，并由分類不準確導致量子化現象。

總結

以上是生活随笔為你收集整理的神经网络的分类准确率到底是一个什么物理量的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。