Logistic and Softmax Regression (逻辑回归和Softmax回归)

1. 简介

逻辑回归和Softmax回归是两个基础的分类模型,虽然听名字以为是回归模型,但实际我觉得他们也有一定的关系。逻辑回归,Softmax回归以及线性回归都是基于线性模型,它们固定的非线性的基函数(basis function) 的线性组合,形式如下:

2.逻辑回归谈谈逻辑回归,Softmax回归,前者主要处理二分类问题,而后者处理多分类问题,但事实上Softmax回归就是逻辑回归的一般形式。
 
其中,如果f(.)是非线性的激活函数(activation function),这就是一个分类模型;如果f(.)是恒等函数(identity),则是回归模型,现在可以发现它们三者的联系了吧。

下面主要谈谈逻辑回归,Softmax回归,前者主要处理二分类问题,而后者处理多分类问题,但事实上Softmax回归就是逻辑回归的一般形式。


2. 逻辑回归

定义逻辑回归hypothesis为

其中,为sigmoid函数,其性质可参考神经网络博文


<
  • 18
    点赞
  • 39
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,那我们就来实现一个使用softmax逻辑回归的莺尾花分类器。 首先,我们需要导入所需的库和数据集。我们将使用Python中的NumPy和Pandas库来处理数据,使用Sklearn库来调用莺尾花数据集。 ```python import numpy as np import pandas as pd from sklearn.datasets import load_iris iris = load_iris() X = iris.data y = iris.target ``` 接下来,我们需要将数据集分成训练集和测试集,以便我们可以训练模型并测试其准确性。我们将使用Sklearn库中的train_test_split函数进行此操作。 ```python from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 然后,我们需要对输入数据进行标准化处理,以便模型可以更好地学习和收敛。我们将使用Sklearn库中的StandardScaler函数来标准化数据。 ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) ``` 现在,我们可以开始构建我们的模型了。我们将使用softmax逻辑回归来预测莺尾花的类别。我们将使用Sklearn库中的LogisticRegression函数来实现此操作。 ```python from sklearn.linear_model import LogisticRegression model = LogisticRegression(multi_class='multinomial', solver='lbfgs') model.fit(X_train, y_train) ``` 最后,我们可以使用测试集来评估模型的性能。 ```python from sklearn.metrics import accuracy_score y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) print("Accuracy:", acc) ``` 这就是完成了,我们现在可以将所有代码整合到一起。 ```python import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score iris = load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) model = LogisticRegression(multi_class='multinomial', solver='lbfgs') model.fit(X_train, y_train) y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) print("Accuracy:", acc) ``` 希望这可以帮助你开始构建基于softmax逻辑回归的分类器!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值