Rete neurale a più uscite che combina regressione e classificazione

Question

Se si dispone di un problema di classificazione e regressione correlati e si basano sugli stessi dati di input, è possibile progettare correttamente una rete neurale che fornisca sia gli output di classificazione che di regressione?

In caso affermativo, come potrebbe essere costruita la funzione di perdita?

Answer 1

Di solito, per tali casi la perdita viene considerata semplicemente una somma ponderata di perdita di classificazione e perdita di regressione. In altre parole, la rete ha 2 parti di uscita indipendenti, una responsabile della regressione, su cui si applica la perdita di regressione L_reg (come MSE) e un'altra responsabile per la parte di classificazione, sulla quale si applica la perdita di classificazione L_class (come l'entropia incrociata) e il tuo criterio di ottimizzazione finale è semplicemente (alfa) * L_reg + (1-alpha) * L_class, per alcuni alfa predefiniti. Ciò consente un facile calcolo dei gradienti (e un'analisi complessiva semplice).