আউটপুট ভেরিয়েবলটি অর্ডিনাল এমন কোনও কিছুর পূর্বাভাস দেওয়ার জন্য আমার একটি নিউরাল নেটওয়ার্ক সেট আপ আছে। আমি নীচে তিনটি সম্ভাব্য আউটপুট এ <বি <সি ব্যবহার করে বর্ণনা করব <
শ্রেণিবদ্ধ তথ্য আউটপুট করার জন্য কীভাবে নিউরাল নেটওয়ার্ক ব্যবহার করবেন এটি বেশ সুস্পষ্ট: আউটপুটটি কেবল সর্বশেষ (সাধারণত সম্পূর্ণরূপে সংযুক্ত) স্তরটির একটি সফটম্যাক্স, প্রতিটি বিভাগ অনুযায়ী এবং পূর্বাভাসিত বিভাগটিই সবচেয়ে বড় আউটপুট মান সহ (এটি হয় অনেক জনপ্রিয় মডেলের ডিফল্ট)। আমি সাধারণ মানগুলির জন্য একই সেটআপটি ব্যবহার করছি। যাইহোক, এই ক্ষেত্রে ফলাফলগুলি প্রায়শই বোঝায় না, উদাহরণস্বরূপ এ এবং সি এর নেটওয়ার্ক আউটপুট বেশি তবে বি কম: এটি সাধারণ মানগুলির জন্য প্রশংসনীয় নয়।
এর জন্য আমার একটি ধারণা রয়েছে, যা আউটপুটগুলির সাথে এ জন্য 1 0 0, বি এর জন্য 1 1 0, এবং সি এর জন্য 1 1 1 এর সাথে তুলনা করার ভিত্তিতে ক্ষতির গণনা করা হয় সঠিক প্রান্তিকের সাহায্যে পরে অন্য শ্রেণিবদ্ধ ব্যবহার করে টিউন করা যেতে পারে (যেমন বায়েশিয়ান ) তবে এটি কোনও নির্দিষ্ট বিরতি স্কেল নির্ধারণ না করে ইনপুটগুলির অর্ডার দেওয়ার প্রয়োজনীয় ধারণাটি ধারণ করেছে বলে মনে হয়।
এই সমস্যাটি সমাধানের মানক উপায় কী? এমন কোনও গবেষণা বা রেফারেন্স রয়েছে যা বিভিন্ন পদ্ধতির উপকারিতা এবং বর্ননা বর্ণনা করে?