一个接一个地回答你的问题：

假设我有一个分类器可以很好地分类左手/右手。我很好奇它是否可以决定图像中是否有手？

没有。这不可以。手动/非手动训练的模型可以做到这一点。不是这个。最多，它应该预测具有非常低置信度分数的任一（左/手）之一。但是，将其用于手/非手识别绝对不是一个好主意。

但是有很多东西是“无手”的，比如狗、猫、苍蝇……我认为不可能收集所有可能的“无手”数据

您正在尝试构建二进制 hand.no-hand 分类模型，而不是 hand/cat/dog/... 风格的多标签分类模型。所以，你只需要有一堆手在里面的图片，还有一些没有手的图片。

我们使用一些激活函数（如 [sigmoid]）作为分类器（神经网络）的最终输出，并且我们将左/右类的输出视为分类器认为输入距左侧多远的分数，这是否合理？ /右手班。

可能，但不可取。

许多分类器不会直接给你 L 或 R。它们会给你一个具有更高决策度量的选项。对于朴素贝叶斯，这将是具有较高概率的类$p(L|x)$ 和 $p(R|x)$. 对于大多数分类器来说都是如此。

您可以做的是设置一个超参数（如果您有一些异常实例）来确定某个新示例必须包含在一个类中的程度，才能被归类为属于该类。

例如，如果 $p(L|x)=0.01$ 和 $p(R|x)=0.05$ 那么我们可以拒绝这两个假设并说出新的例子 $x$ 不属于任何阶级。

您应该进一步研究异常检测算法，您还可以通过 GLRT 使用 p 值来测试您的预测是否足够属于该类，以便可以对其进行分类。例如，为您设置 p 值，$p = 0.05$，如果给定示例的 p 值低于此阈值，则不要将类归于它并将其标记为异常。

有很多不同的方法可以做到这一点，包括使用一些聚类或 NN 技术。

简而言之，您可以使用异常检测算法包装您的分类器，以捕捉低于可接受范围的假设。