softmax回归模型
模型输出可以是一个像图像类别这样的离散值,对于这样的离散值预测问题,可以使用诸如softmax回归在内的分类模型。和线性回归不同,softmax回归的输出单元从一个变成了多个,且引入了softmax运算使输出更适合离散值的预测和训练
虽然我们仍然可以使用回归模型来进行建模,并将预测值就近定点化到1、2和3这3个离散值之一,但这种连续值到离散值的转化通常会影响到分类质量。因此我们一般使用更加适合离散值输出的模型来解决分类问题。
softmax回归跟线性回归一样将输入特征与权重做线性叠加。与线性回归的一个主要不同在于,softmax回归的输出值个数等于标签里的类别数
既然分类问题需要得到离散的预测输出,一个简单的办法是将输出值当作预测类别是ii的置信度,并将值最大的输出所对应的类作为预测输出
然而,直接使用输出层的输出有两个问题。一方面,由于输出层的输出值的范围不确定,我们难以直观上判断这些值的意义;另一方面,由于真实标签是离散值,这些离散值与不确定范围的输出值之间的误差难以衡量。
softmax运算符(softmax operator)解决了以上两个问题。它输出值变换成值为正且和为1的概率分布,使得各个输出组成一个合法的分布,取值在0到1之间,总和为1。
y
^
1
,
y
^
2
,
y
^
3
=
s
o
f
t
m
a
x
(
o
1
,
o
2
,
o
3
)
\hat y_1,\hat y_2, \hat y_3=softmax(o_1,o_2,o_3)
y^1,y^2,y^3=softmax(o1,o2,o3)
其中,
y
^
1
=
exp
(
o
1
)
∑
i
=
1
3
exp
(
o
i
)
\hat y_1=\frac{\exp(o_1)}{\sum_{i=1}^3\exp(o_i)}
y^1=∑i=13exp(oi)exp(o1),
y
^
2
=
exp
(
o
2
)
∑
i
=
1
3
exp
(
o
i
)
\hat y_2=\frac{\exp(o_2)}{\sum_{i=1}^3\exp(o_i)}
y^2=∑i=13exp(oi)exp(o2),
y
^
3
=
exp
(
o
3
)
∑
i
=
1
3
exp
(
o
i
)
\hat y_3=\frac{\exp(o_3)}{\sum_{i=1}^3\exp(o_i)}
y^3=∑i=13exp(oi)exp(o3)
则有 y ^ 1 + y ^ 2 + y ^ 3 = 1 \hat y_1+\hat y_2+ \hat y_3=1 y^1+y^2+y^3=1且 0 ≤ y ^ 1 , y ^ 2 , y ^ 3 ≤ 1 0\leq \hat y_1,\hat y_2, \hat y_3\leq1 0≤y^1,y^2,y^3≤1。
交叉熵损失函数
前面提到,使用softmax运算后可以更方便地与离散标签计算误差。我们已经知道,softmax运算将输出变换成一个合法的类别预测分布。我们可以像线性回归那样使用平方损失函数,然而,想要预测分类结果正确,我们其实并不需要预测概率完全等于标签概率,只需要预测结果是概率最高的就可以,不管其他两个预测值为多少,类别预测均正确,而平方损失则过于严格。
改善上述问题的一个方法是使用更适合衡量两个概率分布差异的测量函数,其中,交叉熵(cross entropy)是一个常用的衡量方法。
交叉熵只关心对正确类别的预测概率,因为只要其值足够大,就可以确保分类结果正确。当然,遇到一个样本有多个标签时,例如图像里含有不止一个物体时,我们并不能做这一步简化。但即便对于这种情况,交叉熵同样只关心对图像中出现的物体类别的预测概率。
模型评价
在训练好softmax回归模型后,给定任一样本特征,就可以预测每个输出类别的概率。通常,我们把预测概率最大的类别作为输出类别。如果它与真实类别(标签)一致,说明这次预测是正确的。在3.6节的实验中,我们将使用准确率(accuracy)来评价模型的表现。它等于正确预测数量与总预测数量之比。
小结
- softmax回归适用于分类问题。它使用softmax运算输出类别的概率分布。
- softmax回归是一个单层神经网络,输出个数等于分类问题中的类别个数。
- 交叉熵适合衡量两个概率分布的差异。