本文探讨了Softmax回归在分类问题中的应用，解释了从回归到多类分类的转换，介绍了softmax函数如何确保输出概率和为1，并且详细阐述了交叉熵损失函数在衡量预测概率与真实标签差异中的作用。此外，还简要说明了一个包含10个类别图像的数据集用于Softmax回归的实践应用。
Softmax回归虽然叫做回归，但其解决的是分类问题
回归VS分类
- 回归估计一个连续值，输出往往只有一个
- 分类预测一个离散类别，通常有多个输出，输出 i i i是预测为第 i i i类的置信度
从回归到多类分类-校验比例
-
对类别进行一位有效编码
y = [ y 1 , y 2 , . . . , y n ] T y i = θ p ( x ) = { 1 i f i = y 0 o t h e r w i s e \begin{aligned}y&=[y_1,y_2,...,y_n]^T \\y_i&=\theta_p(x)=\left\{ \begin{array}{rcl} 1 & & {if\quad i=y}\\ 0 & & {otherwise} \end{array} \right.\end{aligned} yyi=[y1,y2,...,yn]T=θp(x)={ 10ifi=yotherwise -
最大值最为预测
y ^ = arg max i o i \hat y=\argmax_io_i y^=iargmaxoi
同时为了转化成概率问题，我们让该模型所有输出和为1，于是就引出了softmax函数。
y ^ i = e o i ∑ k = 1 n e
最低0.47元/天 解锁文章
1993
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
