我反对削减 的值，因为这将导致不可微的传递函数，并且您的基于梯度的训练算法可能会搞砸。

输出层的 sigmoid 函数很好：。它将压缩任何输出以位于范围内。所以你可以任意接近目标。$\sigma(x) = \frac{1}{1 + e^{-x}}$$(0, 1)$

但是，如果您使用平方误差，您将失去“匹配损失函数”的属性。当对平方误差使用线性输出时，误差的导数减少到，其中是输出，是相应的目标值。所以你必须检查你的梯度。$y - t$$y$$t$

当我在该范围内有目标并且无论如何使用平方和误差时，我个人使用 sigmoid 作为输出的结果很好。

如果您在输出层中使用逻辑激活函数，它将根据需要将输出限制在 0-1 范围内。

但是，如果您遇到输出范围受限的回归问题，则平方和误差度量可能并不理想，也许 beta 噪声模型可能更合适（参见 beta 回归，IIRC 在 R 包中实现，但我我自己从来没有用过）

如果您知道输出的绝对范围，但没有理由期望它具有典型逻辑激活函数的非线性特征（即中间的值与接近 0 或 1 的值一样可能） ，那么您可以通过除以绝对最大值来转换输出。如果最小值不是 0，您可以在除以值（最大值 - 最小值）之前减去绝对最小值。

所以基本上不要尝试将神经网络训练到原始值，将其训练到百分位值（0 表示最小值，1 表示最大值）。

“使用线性函数并简单地将所有低于 0 的值切割为 0 并将高于 1 的值切割为 1 是否有效？”

我相信在许多情况下，截止值应该是训练数据的百分比分割。例如，如果您的训练数据有 13% - 0 和 87% - 1，那么截止值为 0.13；例如，输出上 0.13 及以下的任何值都是 0，而 0.14 及以上的任何值都是 1。显然，越接近输出提供的截止值，不确定性就越大。它也可能有助于调整界限，尤其是在错误分类成本很高的情况下。这个链接可能有点帮助http://timmanns.blogspot.com/2009/11/building-neural-networks-on-unbalanced.html