线性模型 - Softmax 回归

线性模型 - Softmax 回归

引用

CSDN

1.

https://m.blog.csdn.net/liruiqiang05/article/details/145724728

Softmax 回归（Softmax Regression），也称为多项（Multinomial）或多类（Multi-Class）的 Logistic 回归，是 Logistic 回归在多分类问题上的推广。

Softmax 函数

定义

Softmax 函数是一种归一化函数，用来将一个包含任意实数的向量转换为一个概率分布，其公式为：

特点与直观理解：

• 概率输出：Softmax 函数将原始得分（logits）转换为介于0和1之间的数值，且所有输出的和为1，这样可以直观地理解为每个类别的概率。
• 放大差异：指数运算 e^{z_i} 会放大较高的得分，使得最高得分对应的概率更大，帮助模型做出明确决策。
• 应用场景：例如，在图像分类中，假设模型输出了三个类别的得分 [2.0,1.0,0.1]，经过 softmax 处理后，可能得到对应概率 [0.70,0.25,0.05]，表示图像属于第一个类别的可能性最高。

Softmax 回归

定义

Softmax 回归（又称多类 Logistic 回归）是多分类问题的线性模型，其核心步骤为：

1. 线性组合：对输入特征进行加权求和，得到每个类别的原始得分（wi为第i类的权重向量）。
2. Softmax 归一化：通过 Softmax 函数将得分转换为概率分布。
3. 预测输出：选择概率最大的类别作为最终结果。

模型公式为：

理解二

Softmax 回归是 Logistic 回归在多类别分类问题上的扩展，也称为多项式逻辑回归。它的主要步骤如下：

1. 线性组合：对于输入特征 x，为每个类别 k 计算一个线性组合得分：
2. 概率映射：将所有类别的得分 z_1, z_2, ... , z_K 一起输入 Softmax 函数，得到每个类别的概率：
3. 决策：最终预测类别为使得概率最高的那个：

两种理解，所表达的意思是相同的，这里都列出来，便于理解。

直观理解

• 多类别输出：与逻辑回归用于二分类问题不同，Softmax 回归能同时输出多个类别的概率分布，适用于有多个可能类别的情形。
• 线性决策边界：Softmax 回归仍然是线性模型，它在输入特征上构造多个线性函数，然后用 softmax 函数将这些线性组合转换为概率，因此其决策边界是线性的（或者由多个线性决策边界构成）。

应用示例

假设你正在构建一个手写数字识别系统，需要将数字 0 到 9 分为10个类别。

• 特征提取：输入图像通过预处理和特征提取后，得到一个特征向量 x。
• 模型构建：Softmax 回归为每个数字 k 计算得分：
• 概率输出：通过 softmax 函数得到每个类别的概率，如：
• 分类决策：模型预测该图像属于数字“7”，因为 P(y=7∣x)=0.60 最大。

总结

• Softmax 函数：负责将一组任意实数得分转换为归一化的概率分布，强调最高得分对应的概率最大。
• Softmax 回归：是多类别分类问题的线性模型，通过计算各类别的线性组合得分，再利用 Softmax 函数得到预测概率，最后根据概率最高的类别做出决策。

Softmax 回归 vs Logistic 回归

1. 输出函数的区别

• Logistic回归：使用Sigmoid函数，输出单个概率值 P(y=1)，另一类概率为 1−P(y=1)。
• Softmax回归：使用Softmax函数，直接输出所有类别的概率分布。

2. 参数设计的区别

• Logistic回归：只需学习一组参数 w 和偏置 b（二分类中两类参数对称）。
• Softmax回归：需为每个类别学习独立的参数 wi 和 bi 。
• 注意：实际实现中，为避免冗余参数，通常固定其中一个类别的参数为0（如 K 类模型只需 K−1 组参数）。

3. 损失函数的区别

• Logistic回归：二元交叉熵损失，计算单个类别的概率偏差。
• Softmax回归：多类交叉熵损失，计算所有类别的概率偏差。

4. 当 K=2 时的等价性

• 数学证明：假设类别1的参数为 w1,b1类别2的参数为 w2,b2。若固定 w2=0,b2=0，则：这正是Logistic回归的Sigmoid函数形式。

记忆口诀

• Logistic回归：二分类用Sigmoid，参数简单易解释。
• Softmax回归：多分类用Softmax，概率归一化最直观。
• 两者关系：Softmax是Logistic的多类推广，二类时等价。