机器学习原理扫盲系列(二)逻辑回归如何实现多分类?

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(n1)/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=m1i=1myilog(yi^)+(1yi)log(1yi^)

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=m1i=1mj=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=01 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]
∑ 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^)=0log(0.1)+0log(0.1)+1log(0.6)+0log(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。

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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