2回答

liuyubobobo

2019-05-02

已采纳

OvR，OvO都是使用建立多个二分类模型的方式，来解决多分类问题。在这个问答里，我又基于OvR的流程，进行了叙述：http://coding.imooc.com/learn/questiondetail/107030.html

可以看到，对于OvR来说，k分类问题，需要训练k个模型。（k > 2）

但是softmax是使用1个模型，解决多分类问题。

但是，当k == 2是，softmax就是逻辑回归。所以，你会看到说，softmax是逻辑回归在多酚类问题上的推广。不过，softmax解决多分类问题的本质和OvO，OvR不一样。一个是单模型，一个是综合多模型：）

具体softmax的原理，不在这个课程的范畴，通常介绍神经网络或者深度学习的课程都会介绍：）

继续加油！：）

0

1

BarackBao

非常感谢！

2019-05-03

共1条回复

lemonlxn

2019-10-15

老师好，我有一个关于逻辑回归多分类，multi_class=“multinomial”时，关于softmax 的理解，您看看我的整体理解是否准确，如果觉得不属于该课程内容可忽略。

softmax的计算方法如下

import numpy as np

def softmax(output):
    return np.exp(output) / np.sum(np.exp(output))

我想请问下，softmax中的output是不是各神经元的输出。

即 4处的output z4 = w41 * o1 + w42 * o2 + w43 * o3 (o1,o2,o3代表是结点1,2,3往后传的输入)

同理可求得 z5,z6

所以经过softmax 后的

s_4 是不是等于  s_4 = e^z4 / (e^z4+e^z5+e^z6)

s_5 是不是等于  s_5 = e^z5 / (e^z4+e^z5+e^z6)

s_6 是不是等于  s_6 = e^z6 / (e^z4+e^z5+e^z6)

请问这里的s_4,s_5,s_6是不是概率呀？

那么是不是np.max(s_4,s_5,s_6) 哪个值大，那它就属于哪个类别？

###########

额外补充，通过交叉熵，选择最优模型

当逻辑回归为多分类的时候

input = sigmoid(W.T.dot(X)) # 神经元输入   

output = softmax(y)            # 概率 ？

Loss = -yln(output)             # 交叉熵损失函数

不断迭代，求出使Loss最小的模型

0

0