我在Azure ML Studio中构建了这个机器学习模型，使用了4个特征，包括一个日期列。

尝试预测明天的价格是否会高于今天。高于=1，不高于=0

这是一个二分类神经网络（带有调整模型超参数的功能）。

当我测试它时，我期望得到一个在0到1之间的答案，确实如此。问题出现在我将特征从1改为0时，得到的答案几乎相同。

我认为如果1的得分概率是0.6，那么一个0（在相同特征下）应该得分0.4

数据的快照（是的，我知道我需要更多数据）

模型在”Over5″特征上进行训练和调整，我希望从二分类神经网络模块中得到0到1之间的答案。

评分模块也产生了1到0之间的结果。一切看起来都是正确的。

我更改了归一化方法（根据评论者的建议），但这并没有太大改变输出结果。

一切似乎都井然有序，但我的目标是预测一天结束时“Over5”的可能性，并得到一个1的结果。

当我在Over5列中使用“1”测试模型时，我得到的预测是0.55…然后我用相同的设置测试模型，只是将1改为0，我仍然得到相同的输出0.55…

我不明白为什么会这样，因为模型是在Over5特征上训练和调整的。改变该列的输入应该会产生不同的结果，对吗？

回答：

神经网络的输出通常不是概率，所以这可能是你没有得到“1 – P”结果的原因。

现在，如果是简单的逻辑回归，你会得到概率作为输出，但我假设你说的是真的，你使用的是一个非常简单的神经网络。

另外，你可能改变的是偏置“特征”，这也可能导致模型在训练后给你相同的结果。老实说，这个帖子中的信息太少，无法确定发生了什么。我建议你尝试归一化你的特征，然后再试一次。

编辑：你知道你的神经网络实际上有两个输出节点，还是只有一个输出节点？如果有两个，那么原始输出并不那么重要，重要的是哪个节点的输出较高。如果只有一个，我会考虑在某个地方设置阈值（例如，大于0.5表示价格会上涨，但小于等于0.5表示价格会下跌，或者你想要如何设置阈值）。在一些应用中，假阳性比假阴性更可接受的系统中，阈值设置得更低，比如0.2。