神經網路中置信度是什麼意思

A. 怎樣理解置信區間，解釋95%的置信區間

置信區間（Confidence interval）是指由樣本統計量所構造的總體參數的估計區間。在統計學中，一個概率樣本的置信區間是對這個樣本的某個總體參數的區間估計。置信水平為95%的意思是多次抽樣中有95%的置信區間包含未知的參數值而另外的5%則不包含真值。

置信區間展現的是這個參數的真實值有一定概率落在測量結果的周圍的程度，其給出的是被測量參數的測量值的可信程度，即前面所要求的「一個概率」。

在現實生活中，我們在保證置信度的前提下，應盡量縮短置信區間的長度，這有利於做出正確的決策，因為保證置信度相當於是給定了准確度，而縮短置信區間長度相當於提高了信息有效密度，置信區間越長，得出的信息的有效密度越低，置信區間越短，得出的信息的有效密度越高。

比如，假設班上學生小明和小華說出的話的可信度都是90%；小明說班級的月考數學成績平均分是在90到140之間，而小華說班級的月考數學成績平均分是在100到120之間。選擇後者，因為可以得到更加准確且有效的信息。所以，我們要找區間最短的置信區間，即找最優置信區間。

(1)神經網路中置信度是什麼意思擴展閱讀

計算「置信區間」是應用性研究，是做完顯著度檢驗之後的跟進分析。顯著度檢驗可以讓人知道能在什麼信心度上放棄零假設。

零假設的內容是：總體參數（例如平均值、回歸系數、凈回歸系數）等於0或者與0沒有值得關注的（顯著的）差異。顯著度檢驗中的「p值」是以正話反說的方式表示信心度。例如，p=0.05，意思是信心度為95%，亦即「放棄了零假設，但只冒了5%的犯一類錯誤的風險」。

詳細點說，顯著度檢驗的目的是判斷一個觀察到的「非零的」樣本統計值是否「顯著地」不同於0。檢驗的起點是假定零假設為真，也就是假定總體參數為0，然後預測，如果零假設真，那麼有多大的概率觀察到這個已經觀察到的樣本統計值，亦即有多大的概率抽到我們已經抽到的這個樣本。

如果預測出的概率很小，比如只有5%，抽到了，意味著被預測發生概率只有5%的事件發生了，這說明預測不準確，進而說明預測所依據的零假設可能是假的。

B. RBF神經網路可以預測質量么

不管你是用RBF還是BP或別的什麼，原理是一樣的。
從根本性質來看，分類問題的答案是二值結果:0或1，對每一個答案，可以進一步做分類,迭代下去就可以得到更細化的分類。
從實現來看,網路產生的分類結果，實際上是一個置信度，它介於0與1間，參數設定置信度大於多少就分類為1,在這一步之間,網路已經得到置信度了，這個置信度就可以作為一個評分，也就是你說的生產質量。
比如你的訓練了一個識別照片與手繪的網路，識別為照片返回1,識別為手繪返回0,那麼，在得到1或0之前，這個網路實際得到的是一個「這張圖是照片的可能性」這就是置信度。那麼，輸出0或1時，這個網路可以稱為「照片/手繪分類網路」，如果輸出置信度,並只輸入手繪圖,此網路可以稱為「寫實手繪評分網路」
搞這一塊的，不能停留在只是簡單使用現有的東西，不把原理搞明白，只能是藍領。

C. 統計學中什麼叫置信度。

所謂置信度,也叫置信水平。它是指特定個體對待特定命題真實性相信的程度.也就是概率是對個人信念合理性的量度。

概率的置信度解釋表明，事件本身並沒有什麼概率，事件之所以指派有概率只是指派概率的人頭腦中所具有的信念證據。置信水平是指總體參數值落在樣本統計值某一區內的概率；而置信區間是指在某一置信水平下，樣本統計值與總體參數值間誤差范圍。置信區間越大，置信水平越高。

(3)神經網路中置信度是什麼意思擴展閱讀

置信度：它是樣本容量（即你這里的3000）和數值結果波動范圍的函數。也就是說，你得到的結果會在某個特定數值附近波動，你希望知道的是波動范圍到底有多大。

簡單的說，置信度隨著所取范圍增大而減小，例如假設平均值為50分，那麼45－55之間的可能性顯然比35－65之間小，也就是置信度低，而出現在0－100之間的置信度則是100％，因為全部范圍就這么大。

另外，樣本容量一般有利於提高置信度，即人數越多所得結果越可靠，不過在達到一定界限之後對於提高置信度貢獻就很小了，所以一般取一定容量就足夠了。

D. 卷積神經網路為什麼最後接一個全連接層

在基本的CNN網路中，全連接層的作用是將經過多個卷積層和池化層的圖像特徵圖中的特徵進行整合內，獲取圖像特徵具容有的高層含義，之後用於圖像分類。在CNN網路中，全連接層將卷積層產生的特徵圖映射成一個固定長度(一般為輸入圖像數據集中的圖像類別數)的特徵向量。這個特徵向量包含了輸入圖像所有特徵的組合信息，雖然丟失了圖像的位置信息，但是該向量將圖像中含有最具有特點的圖像特徵保留了下來以此完成圖像分類任務。從圖像分類任務的角度來看，計算機只需要對圖像內容進行判定，計算輸入圖像具體所屬類別數值（所屬類別概率），將最有可能的類別輸出即可完成分類任務。

E. 神經網路（深度學習）的幾個基礎概念

從廣義上說深度學習的網路結構也是多層神經網路的一種。傳統意義上的多層神經網路是專只有輸入層、屬隱藏層、輸出層。其中隱藏層的層數根據需要而定，沒有明確的理論推導來說明到底多少層合適。而深度學習中最著名的卷積神經網路CNN，在原來多層神經網路的基礎上，加入了特徵學習部分，這部分是模仿人腦對信號處理上的分級的。具體操作就是在原來的全連接的層前面加入了部分連接的卷積層與降維層，而且加入的是一個層級。輸入層 - 卷積層 -降維層 -卷積層 - 降維層 -- .... -- 隱藏層 -輸出層簡單來說，原來多層神經網路做的步驟是：特徵映射到值。特徵是人工挑選。深度學習做的步驟是 信號->特徵->值。 特徵是由網路自己選擇。

F. 機器學習中置信度，概率的區別以及怎麼計算置信區

置信水平是指總體參數值落在樣本統計值某一區內的概率，置信區間越大，置信水平不就越高嗎？
通俗點講的話，置信水平即是指可靠度，也就是表徵一個結論的正確程度，置信水平越高，結論越可靠。放在置信區間上來講，置信水平表徵實際值落在置信區間的概率，顯然置信區間越大，落在置信區間的概率越大，則置信水平越高。
注意置信度和置信水平的不同點，先有置信度才有置信區間，也就是先要給出置信度，我們才能求置信區間，因為不同的置信度，置信區間是一定不同的；而先有置信區間，才能有置信水平，只有先要求出或給出置信區間，我們才能求對應的置信水平。
這是我從數學學科的角度給出的解釋，好像你把這個問題歸在了物理學科了，可能有點不合你的意思，就情原諒了。

G. 「置信度」是什麼意思

置信度也稱為可靠度，或置信水平、置信系數，即在抽樣對總體參數作出估計時，由於樣本的隨機性，其結論總是不確定的。因此，採用一種概率的陳述方法，也就是數理統計中的區間估計法，即估計值與總體參數在一定允許的誤差范圍以內，其相應的概率有多大，這個相應的概率稱作置信度。

置信水平是描述GIS中線元素與面元素的位置不確定性的重要指標之一。置信水平表示區間估計的把握程度，置信區間的跨度是置信水平的正函數，即要求的把握程度越大，勢必得到一個較寬的置信區間，這就相應降低了估計的准確程度。

(7)神經網路中置信度是什麼意思擴展閱讀：

置信區間只在頻率統計中使用。在貝葉斯統計中的對應概念是可信區間。但是可信區間和置信區間是建立在不同的概念基礎上的，因此一般上說取值不會一樣。 置信空間表示通過計算估計值所在的區間。 置信水平表示准確值落在這個區間的概率。

置信區間表示具體值范圍，置信水平是個概率值。例如：估計某件事件完成會在10~12日之間，但這個估計准確性大約只有80%：表示置信區間（10,12），置信水平80%。要想提高置信水平，就要放寬置信空間。

置信水平是指總體參數值落在樣本統計值某一區內的概率；而置信區間是指在某一置信水平下，樣本統計值與總體參數值間誤差范圍。置信區間越大，置信水平越高。

H. 關於數據挖掘中「支持度」和「置信度」的概念

看定義 支持度是 規則前、後 同時在資料庫中出現的比率， 就是人家說的「應驗」比例
置信度就是條件概率， 前件出現的條件下 後件出現的概率。 所以置信度就是一個相對的概念。
比如一個A->B的規則， 比如一個數據 10條記錄， AB同時出現了6次， 支持度就是0.6 support(A->B)=0.6 但置信度 要算A出現的次數， 比如A如果出現了8次， 那麼置信度conf(A->B) = 0.75

I. 置信度是啥意思啊

在統計學中，一個概率樣本的置信區間是對這個樣本的某個總體參數的區間估計。置信區間展現的是這個參數的真實值有一定概率落在測量結果的周圍的程度。置信區間給出的是被測量參數的測量值的可信程度，即前面所要求的「一定概率」。這個概率被稱為置信水平。

如果在一次大選中某人的支持率為55%，而置信水平0.95上的置信區間是（50%,60%），那麼他的真實支持率有百分之九十五的機率落在百分之五十和百分之六十之間，因此他的真實支持率不足一半的可能性小於百分之2.5（假設分布是對稱的）。

如例子中一樣，置信水平一般用百分比表示，因此置信水平0.95上的置信區間也可以表達為：95%置信區間。置信區間的兩端被稱為置信極限。對一個給定情形的估計來說，置信水平越高，所對應的置信區間就會越大。

(9)神經網路中置信度是什麼意思擴展閱讀：

置信水平是指總體參數值落在樣本統計值某一區內的概率；而置信區間是指在某一置信水平下，樣本統計值與總體參數值間誤差范圍。置信區間越大，置信水平越高。

置信水平是描述GIS中線元素與面元素的位置不確定性的重要指標之一。置信水平表示區間估計的把握程度，置信區間的跨度是置信水平的正函數，即要求的把握程度越大，勢必得到一個較寬的置信區間，這就相應降低了估計的准確程度。