我们上一节学的是将网络结构进行优化,接下来我们看是否能将损失函数进行优化
均方误差是我们在房价预测模型中使用的损失函数,显然适用于线性回归模型,实数输出与标签相减,而在分类问题中是不太合适的。
我们这个模型的期望输出是一个标签的概率。
SoftMax函数
所有输出和为1.
网络结构变化:单一输出(实数值)->每个分类一个输出(概率)
s o f t m a x ( x i ) = e x i ∑ j = 0 N e j x , i = 0 , . . . , C − 1 softmax(x_i) = \frac {e^{x_i}}{\sum_{j=0}^N{e^x_j}}, i=0, ..., C-1 softmax(xi)=∑j=0Nejxexi,i=0,...,C−1
为什么使用softmax折算概率?
若为二分类问题(两个标签),等价于单一输出接入sigmoid函数。z为1的概率为0.6,z为0的概率为0.4
在这种情况下,只有一层的模型为 S ( w T x i ) S(w^{T}x_i) S(wTxi), S S S为Sigmoid函数。模型预测为1的概率为 S ( w T x i ) S(w^{T}x_i)