SoftMax和代价函数
逻辑回归和SoftMax的理解:
逻辑回归
逻辑回归代价函数
这是逻辑回归的代价函数.
理解这个代价函数:
假设函数hθ代表的是预测y=1的概率(因为假设二值分布满足伯努利分布)
- 例如:如果将x=1输入假设函数当中,输出结果为0.7,那么可以说输入x=1,有百分之70的把握,输出的y=1.
如何理解这个代价函数:
1. 从公式直接理解:在y(i)取值为1时候,那么预测函数越接近于1,-log(预测值)越小,此时的代价函数越小.同时当有y(i)取值为0时候,那么预测函数越接近于0,此时-log(1-预测值)越小.所以使用这个公式可以代表代价.
2. 从深层含义上进行理解:h(x)代表是y=1,时候的概率,那么当此时应该y(i)=1时候,h(x)越大,当y(i)=0时候,h(x)越小,代价函数越小.
softMax多分类器
参考文献:http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92
1. softMax函数默认也是每一个预测值直接代表的就是正确的概率.如果将其中的每一个exp(θx)都当做是预测每一个的取值的最终的结果,那么这个式子就比较容易理解.
2. 其中前面这一部分为正则化项,让最终输出的值为0到1之间的一个数字.
1. 这是SoftMax当中的代价函数,其含义是将预测正确的结果的概率的对数取负值,这样的结果就是,只有当每个正确的取值的概率都最大时候,整体的代价函数取值最小.
2. 在Softmax回归中将 \textstyle x 分类为类别 \textstyle j 的概率为:
3. 这里是使用梯度下降算法时候的更新公式:
SoftMax分类器的特点:
- 它有一个“冗余”的参数集,详细解释如下:
权值衰减
使用权值衰减来解决SoftMax的参数冗余的问题.
SoftMax和逻辑回归的关系:
逻辑回归是SoftMax的一般形式:
关于SoftMax和多个二元分类器的比较:
如果一个用例只能被分类为一种类型,那么就使用SoftMax分类器,如果一个用例可以被分为好几种类型,那么就使用多个二元分类器.
不同种类的代价函数
log形式的代价函数:
损失函数L(Y, P(Y|X))表达的是样本X在分类Y的情况下,使概率P(Y|X)达到最大值(换言之,就是利用已知的样本分布,找到最有可能(即最大概率)导致这种分布的参数值;或者说什么样的参数才能使我们观测到目前这组数据的概率最大)。
平方损失函数:
最优拟合直线应该是使各点到回归直线的距离和最小的直线,即平方和最小.
SoftMax和代价函数相关推荐
- softmax代价函数的导数计算
对于softmax的理解请参考Ufldl教程,本文仅对代价函数求导部分进行推导 softmax regression 代价函数: J(θ)=−1m⎡⎣∑i=1m∑j=1k1{y(i)=j}logeθT ...
- 看懂SoftMax回归算法之代价函数求偏导的数学推导——机器学习笔记(12)
1.学习背景 这两天学习softmax逻辑回归算法,然后卡在了其代价函数求偏导处,"百科"中说,softmax的代价函数如下: 经过求导,得到梯度公式如下: 作为一个准数学专业毕业 ...
- DeepLearning tutorial(1)Softmax回归原理简介+代码详解
FROM: http://blog.csdn.net/u012162613/article/details/43157801 DeepLearning tutorial(1)Softmax回归原理简介 ...
- 深度学习笔记三:Softmax Regression
Softmax回归模型 整体理解 回归与分类 借用网上一个帖子的回复:分类问题和回归问题都要根据训练样本找到一个实值函数g(x). 回归问题的要求是:给定一个新的模式,根据训练集推断它所对应的输出y( ...
- softmax理论及代码解读——UFLDL
前言 看了各种softmax以后迷迷糊糊的,还是研究一下UFLDL的教程稳点.当然还是得参考挺多教程的:UFLDL-softmax .Softmax的理解与应用 .Logistic 分类器与 soft ...
- UFLDL教程:Exercise:Softmax Regression
Softmax分类函数的Python实现 Deep Learning and Unsupervised Feature Learning Tutorial Solutions 逻辑回归假设函数 在线性 ...
- softmax分类器_[ML] 逻辑回归与 Softmax 回归
Logistic Regression (LR) 译为逻辑回归,但实际上这是一种分类模型(二分类或多分类).下面精要地把模型中的核心概念.推导梳理一下.本文主要内容如下: 逻辑回归的概率模型 逻辑回归 ...
- 机器学习----Softmax回归
本篇博客主要是参考吴恩达教授的Ufldl教程,教程链接如下: http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92 OK ...
- Softmax Regression损失函数的求导
softmax regression 代价函数: J(θ)=−1m[∑i=1m∑j=1k1{y(i)=j}logeθjTX(i)∑l=1keθlTX(i)]J(\theta) = -\frac{1}{ ...
最新文章
- python小游戏开发,使用python实现英语打字游戏
- Tengine 一个注重性能和兼容性的AI框架
- python数字求和输入完第一个数没反应_Python 数字求和
- 【ZOJ 2974】Just Pour the Water(矩阵快速幂)
- 【机器学习】岭回归(L2正则在干嘛!)
- SAP loyalty management点击了公式超链接后的处理逻辑
- Python自动化--语言基础5--面向对象、迭代器、range和切片的区分
- 英雄会在线编程题目(请大家不吝赐教)
- 【数论】【杜教筛】选数(P3172)
- k8s核心技术-Helm引入---K8S_Google工作笔记0043
- 弱逼发福利——BZOJ简易题解
- 非biztalk项目的部署
- 连连看.NET v1.2版下载
- 高德地图车机版缩放版_高德地图车机版2020
- QT5.14.2+VS2019安装配置教程Windows
- mysql随机生成中文姓名_mysql 生成随机手机号和随机中文名-阿里云开发者社区
- PHP微信小程序用户昵称带表情符存储
- 办公利器!用Python批量识别发票并录入到Excel表格
- 玉米社:竞价推广关键词出价原则,注意这几点!
- adobe pdf 高级搜索功能
热门文章
- 腾讯会议录制的视频,PR剪辑打马音画不同步
- VUE中获取当前的日期 星期 时间
- 微信小程序echart图
- jupyter python视频教程_【邢不行|量化小讲堂22】优雅的Python编程方式:Jupyter Notebook视频教程...
- 跨平台跨架构的统信DTK开发套件教程及常见问题
- 64*8点阵 段码LCD液晶显示驱动IC-VK1625 LQFP/QFP100,兼容替代市面上1625,适用机车仪表/跑步机面板等
- iOS 12 从二级页面POP到主页面是tabbar 图片文字下移问题
- 佳期良年服务器克土帮微信群,大话西游2人生没有如果 克土就是我最爱之金榜专访...
- 开封微信朋友圈怎样投放广告?
- 二:FPGA导航按键控制LED