三种方式
1、假设类别有n个,则每一种类别训练一个logistic分类器
每一个分类器能够区分某个类和其余的类。在进行预测的时候,使用n个分类器对样本进行预测,哪个类别的概率最大则将样本预测为这个类别。
优点:普适性好,多少类别训练多少分类器,效率较好
缺点:训练二分类器时,将一类样本标记为1,其余类别的所有样本标记为0,很可能会出现严重的样本不平衡问题,影响分类器的准确性。
2、假设有n个类别,则对于每两个类别就训练一个logistic分类器
这样总共要训练
n
∗
(
n
−
1
)
/
2
n*(n-1)/2
n∗(n−1)/2个分类器,在进行分类时使用投票方法,使用这些分类器对样本进行分类,分到哪个类别的次数最多就将样本判定为哪个类。
优点:不存在样本不平衡问题,性能相对稳定,训练的分类器多但相对简单,效率会有所提升
缺点:当类别很多时,需要训练的分类器呈平方级别增加。
3、修改逻辑回归的损失函数
将逻辑回归变为softmax回归。
原逻辑回归的损失函数:
L = − 1 m ∑ i = 1 m y i l o g ( y i ^ ) + ( 1 − y i ) l o g ( 1 − y i ^ ) L=-\frac{1}{m}\sum_{i=1}^my_ilog(\hat{y_i})+(1-y_i)log(1-\hat{y_i}) L=−m1∑i=1myilog(yi^)+(1−yi)log(1−yi^)
修改后的损失函数:
L
=
−
1
m
∑
i
=
1
m
∑
j
=
1
n
y
i
j
l
o
g
(
y
i
j
^
)
L=-\frac{1}{m}\sum_{i=1}^m\sum_{j=1}^ny_{ij}log(\hat{y_{ij}})
L=−m1∑i=1m∑j=1nyijlog(yij^)
其中
y
i
k
^
=
e
x
k
∑
j
=
1
n
e
x
j
\hat{y_{ik}}=\frac{e^{x_k}}{\sum_{j=1}^ne^{x_j}}
yik^=∑j=1nexjexk
其中
y
i
j
=
0
或
1
y_{ij}=0或1
yij=0或1 当样本标签是j所代表的类别时,
y
i
j
y_{ij}
yij=1,否则为0
举例:四分类
样本类别:[0,0,1,0]
预测:[0.1,0.1,0.6,0.2]
则
∑
j
=
1
n
y
i
j
l
o
g
(
y
i
j
^
)
\sum_{j=1}^ny_{ij}log(\hat{y_{ij}})
∑j=1nyijlog(yij^)计算过程如下:
∑
j
=
1
n
y
i
j
l
o
g
(
y
i
j
^
)
=
0
∗
l
o
g
(
0.1
)
+
0
∗
l
o
g
(
0.1
)
+
1
∗
l
o
g
(
0.6
)
+
0
∗
l
o
g
(
0.2
)
\sum_{j=1}^ny_{ij}log(\hat{y_{ij}})=0*log(0.1)+0*log(0.1)+1*log(0.6)+0*log(0.2)
∑j=1nyijlog(yij^)=0∗log(0.1)+0∗log(0.1)+1∗log(0.6)+0∗log(0.2)
注意:softmax这种方法适合于单标签多分类时,如果是多标签分类,还是前面两种方法比较好。