假设您需要在 K 个类别中对某些内容进行分类，其中 K > 2。在这种情况下，我最常使用的设置是一种热编码。您将有 K 个输出列，并且在训练集中，您将所有值设置为 0，但具有类别索引的值可能为 1 除外。因此，对于每个训练数据集实例，您将拥有所有输出值0 或 1，每个实例的所有输出总和为 1。

这看起来像一个概率，这让我想起了一种经常用来连接一些被建模为概率的输出的技术。这称为 softmax 函数，更多详细信息请参见Wikipedia。这将允许您对输出值施加一些约束（它基本上是一个逻辑函数泛化），以便将输出值建模为概率。

最后，无论有没有 softmax，您都可以使用输出作为判别函数来选择正确的类别。

最后一个想法是避免以连接的方式对变量进行编码。例如，您可以拥有类别索引的二进制表示。这将导致学习者在一些任意的输出之间建立人为的联系。一种热编码的优点是对标签的索引方式是中性的。

在这种情况下使用的算法称为一对多分类器或多类分类器。

在您的情况下，您必须学习一门课程，例如数字 1 ，将其标记为正数，并将其余七门课程合并为一门负数课程。神经网络将输出这种情况是第 1 类与其他类的概率。

之后，您必须将另一个类指定为正类，例如第 2 类，将所有其他类指定为一个大的负类，并再次从网络中获得预测概率。

在对所有八个类别重复此过程后，将每个案例分配给从神经网络输出的所有类别中概率最大的类别。