在使用Matlab的神经网络工具箱时。
创建网络后，当我尝试使用它来对两个类别进行分类时，我得到了一种相似度值。
sim(net,featureVector)的输出返回一个矩阵Out，它是[2x1]的，每行包含一个介于[0, 1]之间的值
我知道Sigmoid函数返回一个介于[0, 1]之间的值，但问题是这样的：
如果一个样本与类别A有n%的相似度，那么它不应该与类别B有(100-n)%的相似度吗？
这是我从几个样本中得到的输出 => [其中HIT和FAIL是两个类别。]
从第二张图片来看，神经网络似乎独立于两个类别返回某种相似度值，显然不遵循上述规则。
看起来它对每个类别使用某种最小距离公式，并独立返回结果。
我的具体问题是：
1. sim(net,featureVector)方法到底返回什么？
2. 我的想法对吗？
3. 如果是，它使用什么最小距离算法？
4. 请指出一些我可以进一步学习的链接。
回答：
sim是simulate的缩写，不是similarity。你得到的是网络net的输出节点的值。这两个值是独立的属于每个类别的得分。如果你想要更像“概率”的东西，你需要对其进行归一化，方法是简单地将这个向量除以其自身的总和。因此，将[a b]更改为[a/(a+b) b/(a+b)]，这样得到的值总和将为1（如所需）。
如果是，它使用什么最小距离算法？
神经网络并不是基于任何形式的“到类别的最小距离”。它是一个更为复杂的对象，源自回归模型，而非简单的距离度量（虽然显然可以从神经网络的权重中明确指出某种“到类别的距离”，但其方程将非常长，尤其是对高维数据如图像而言）。
