Softmax 函數的特點和作用是什么?


作者:張欣
鏈接:https://www.zhihu.com/question/23765351/answer/98897364
來源:知乎
著作權歸作者所有,轉載請聯系作者獲得授權。

softmax 回歸( Softmax Regression) 這里解釋的很詳細,簡單總結下:

softmax模型是logistic模型在多分類問題上的推廣, logistic 回歸是針對二分類問題的,類標記為{0, 1}。
假設函數為: h_\theta(x)=\frac 1 {1 + \exp(-\theta^T x)}
代價函數為:


softmax模型中,label可以為k個不同的值 y^i \in \{1, 2, 3, ....., k\}
對於給定的測試輸入 x,我們想用假設函數針對每一個類別j估算出概率值 p(y=j | x)
假設函數將輸出一個k維的向量

請注意 \frac 1 {\sum^k_{j=1}e^{\theta^T_j x^i}}這一項對概率分布進行歸一化,使得所有概率之和為 1 。
代價函數為: 其中:1{值為真的表達式}=1 為示性函數。
如果類別之間是互斥的,適合用softmax;如果類別之間允許重疊,應該選擇k個logistic分類器。


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM