簡單易學的機器學習演算法——Softmax Regression

阿新 • • 發佈：2018-11-13

[hide]

簡介

在本節中，我們介紹Softmax迴歸模型，該模型是logistic迴歸模型在多分類問題上的推廣，在多分類問題中，類標籤 $\textstyle y$

可以取兩個以上的值。 Softmax迴歸模型對於諸如MNIST手寫數字分類等問題是很有用的，該問題的目的是辨識10個不同的單個數字。Softmax迴歸是有監督的，不過後面也會介紹它與深度學習/無監督學習方法的結合。（譯者注： MNIST 是一個手寫數字識別庫，由NYU 的Yann LeCun 等人維護。http://yann.lecun.com/exdb/mnist/ ）

回想一下在 logistic 迴歸中，我們的訓練集由 $\textstyle m$ 個已標記的樣本構成： $\{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)}) \}$ ，其中輸入特徵 $x^{(i)} \in \Re^{n+1}$ 。（我們對符號的約定如下：特徵向量 $\textstyle x$ 的維度為 $\textstyle n+1$ ，其中 $\textstyle x_0 = 1$

對應截距項。）由於 logistic 迴歸是針對二分類問題的，因此類標記 $y^{(i)} \in \{0,1\}$ 。假設函式(hypothesis function) 如下：

$\begin{align}h_\theta(x) = \frac{1}{1+\exp(-\theta^Tx)},\end{align}$

我們將訓練模型引數 $\textstyle \theta$ ，使其能夠最小化代價函式：

$\begin{align}J(\theta) = -\frac{1}{m} \left[ \sum_{i=1}^m y^{(i)} \log h_\theta(x^{(i)}) + (1-y^{(i)}) \log (1-h_\theta(x^{(i)})) \right]\end{align}$

在 softmax迴歸中，我們解決的是多分類問題（相對於 logistic 迴歸解決的二分類問題），類標 $\textstyle y$ 可以取 $\textstyle k$ 個不同的值（而不是 2 個）。因此，對於訓練集 $\{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)}) \}$ ，我們有 $y^{(i)} \in \{1, 2, \ldots, k\}$ 。（注意此處的類別下標從 1 開始，而不是 0）。例如，在 MNIST 數字識別任務中，我們有 $\textstyle k=10$

個不同的類別。

對於給定的測試輸入 $\textstyle x$ ，我們想用假設函式針對每一個類別j估算出概率值 $\textstyle p(y=j | x)$ 。也就是說，我們想估計 $\textstyle x$ 的每一種分類結果出現的概率。因此，我們的假設函式將要輸出一個 $\textstyle k$ 維的向量（向量元素的和為1）來表示這 $\textstyle k$ 個估計的概率值。具體地說，我們的假設函式 $\textstyle h_{\theta}(x)$ 形式如下：

$\begin{align}h_\theta(x^{(i)}) =\begin{bmatrix}p(y^{(i)} = 1 | x^{(i)}; \theta) \\p(y^{(i)} = 2 | x^{(i)}; \theta) \\\vdots \\p(y^{(i)} = k | x^{(i)}; \theta)\end{bmatrix}=\frac{1}{ \sum_{j=1}^{k}{e^{ \theta_j^T x^{(i)} }} }\begin{bmatrix}e^{ \theta_1^T x^{(i)} } \\e^{ \theta_2^T x^{(i)} } \\\vdots \\e^{ \theta_k^T x^{(i)} } \\\end{bmatrix}\end{align}$

其中 $\theta_1, \theta_2, \ldots, \theta_k \in \Re^{n+1}$ 是模型的引數。請注意 $\frac{1}{ \sum_{j=1}^{k}{e^{ \theta_j^T x^{(i)} }} }$ 這一項對概率分佈進行歸一化，使得所有概率之和為 1 。

為了方便起見，我們同樣使用符號 $\textstyle \theta$ 來表示全部的模型引數。在實現Softmax迴歸時，將 $\textstyle \theta$ 用一個 $\textstyle k \times(n+1)$ 的矩陣來表示會很方便，該矩陣是將 $\theta_1, \theta_2, \ldots, \theta_k$ 按行羅列起來得到的，如下所示：

$\theta = \begin{bmatrix}\mbox{---} \theta_1^T \mbox{---} \\\mbox{---} \theta_2^T \mbox{---} \\\vdots \\\mbox{---} \theta_k^T \mbox{---} \\\end{bmatrix}$

代價函式

現在我們來介紹 softmax 迴歸演算法的代價函式。在下面的公式中， $\textstyle 1\{\cdot\}$ 是示性函式，其取值規則為：

 值為真的表示式

， $\textstyle 1\{$ 值為假的表示式 $\textstyle \}=0$ 。舉例來說，表示式 $\textstyle 1\{2+2=4\}$ 的值為1 ， $\textstyle 1\{1+1=5\}$ 的值為 0。我們的代價函式為：

$\begin{align}J(\theta) = - \frac{1}{m} \left[ \sum_{i=1}^{m} \sum_{j=1}^{k} 1\left\{y^{(i)} = j\right\} \log \frac{e^{\theta_j^T x^{(i)}}}{\sum_{l=1}^k e^{ \theta_l^T x^{(i)} }}\right]\end{align}$

值得注意的是，上述公式是logistic迴歸代價函式的推廣。logistic迴歸代價函式可以改為：

$\begin{align}J(\theta) &= -\frac{1}{m} \left[ \sum_{i=1}^m (1-y^{(i)}) \log (1-h_\theta(x^{(i)})) + y^{(i)} \log h_\theta(x^{(i)}) \right] \\&= - \frac{1}{m} \left[ \sum_{i=1}^{m} \sum_{j=0}^{1} 1\left\{y^{(i)} = j\right\} \log p(y^{(i)} = j | x^{(i)} ; \theta) \right]\end{align}$

可以看到，Softmax代價函式與logistic 代價函式在形式上非常類似，只是在Softmax損失函式中對類標記的 $\textstyle k$ 個可能值進行了累加。注意在Softmax迴歸中將 $\textstyle x$ 分類為類別 $\textstyle j$ 的概率為：

$p(y^{(i)} = j | x^{(i)} ; \theta) = \frac{e^{\theta_j^T x^{(i)}}}{\sum_{l=1}^k e^{ \theta_l^T x^{(i)}} }$ .

對於 $\textstyle J(\theta)$ 的最小化問題，目前還沒有閉式解法。因此，我們使用迭代的優化演算法（例如梯度下降法，或 L-BFGS）。經過求導，我們得到梯度公式如下：

$\begin{align}\nabla_{\theta_j} J(\theta) = - \frac{1}{m} \sum_{i=1}^{m}{ \left[ x^{(i)} \left( 1\{ y^{(i)} = j\} - p(y^{(i)} = j | x^{(i)}; \theta) \right) \right] }\end{align}$

讓我們來回顧一下符號 " $\textstyle \nabla_{\theta_j}$ " 的含義。 $\textstyle \nabla_{\theta_j} J(\theta)$ 本身是一個向量，它的第 $\textstyle l$ 個元素 $\textstyle \frac{\partial J(\theta)}{\partial \theta_{jl}}$ 是 $\textstyle J(\theta)$ 對 $\textstyle \theta_j$ 的第 $\textstyle l$ 個分量的偏導數。

有了上面的偏導數公式以後，我們就可以將它代入到梯度下降法等演算法中，來最小化 $\textstyle J(\theta)$ 。例如，在梯度下降法的標準實現中，每一次迭代需要進行如下更新: $\textstyle \theta_j := \theta_j - \alpha \nabla_{\theta_j} J(\theta)$ ( $\textstyle j=1,\ldots,k$ ）。

當實現 softmax 迴歸演算法時，我們通常會使用上述代價函式的一個改進版本。具體來說，就是和權重衰減(weight decay)一起使用。我們接下來介紹使用它的動機和細節。

Softmax迴歸模型引數化的特點

Softmax 迴歸有一個不尋常的特點：它有一個“冗餘”的引數集。為了便於闡述這一特點，假設我們從引數向量 $\textstyle \theta_j$ 中減去了向量 $\textstyle \psi$ ，這時，每一個 $\textstyle \theta_j$ 都變成了 $\textstyle \theta_j - \psi$ ( $\textstyle j=1, \ldots, k$ )。此時假設函式變成了以下的式子：

$\begin{align}p(y^{(i)} = j | x^{(i)} ; \theta)&= \frac{e^{(\theta_j-\psi)^T x^{(i)}}}{\sum_{l=1}^k e^{ (\theta_l-\psi)^T x^{(i)}}} \\&= \frac{e^{\theta_j^T x^{(i)}} e^{-\psi^Tx^{(i)}}}{\sum_{l=1}^k e^{\theta_l^T x^{(i)}} e^{-\psi^Tx^{(i)}}} \\&= \frac{e^{\theta_j^T x^{(i)}}}{\sum_{l=1}^k e^{ \theta_l^T x^{(i)}}}.\end{align}$

換句話說，從 $\textstyle \theta_j$ 中減去 $\textstyle \psi$ 完全不影響假設函式的預測結果！這表明前面的 softmax 迴歸模型中存在冗餘的引數。更正式一點來說， Softmax 模型被過度引數化了。對於任意一個用於擬合數據的假設函式，可以求出多組引數值，這些引數得到的是完全相同的假設函式 $\textstyle h_\theta$ 。

進一步而言，如果引數 $\textstyle (\theta_1, \theta_2,\ldots, \theta_k)$ 是代價函式 $\textstyle J(\theta)$ 的極小值點，那麼 $\textstyle (\theta_1 - \psi, \theta_2 - \psi,\ldots,\theta_k - \psi)$ 同樣也是它的極小值點，其中 $\textstyle \psi$ 可以為任意向量。因此使 $\textstyle J(\theta)$ 最小化的解不是唯一的。（有趣的是，由於 $\textstyle J(\theta)$ 仍然是一個凸函式，因此梯度下降時不會遇到區域性最優解的問題。但是 Hessian 矩陣是奇異的/不可逆的，這會直接導致採用牛頓法優化就遇到數值計算的問題）

注意，當 $\textstyle \psi = \theta_1$ 時，我們總是可以將 $\textstyle \theta_1$ 替換為 $\textstyle \theta_1 - \psi = \vec{0}$ （即替換為全零向量），並且這種變換不會影響假設函式。因此我們可以去掉引數向量 $\textstyle \theta_1$ （或者其他 $\textstyle \theta_j$ 中的任意一個）而不影響假設函式的表達能力。實際上，與其優化全部的 $\textstyle k\times(n+1)$ 個引數 $\textstyle (\theta_1, \theta_2,\ldots, \theta_k)$ （其中 $\textstyle \theta_j \in \Re^{n+1}$ ），我們可以令 $\textstyle \theta_1 =\vec{0}$ ，只優化剩餘的 $\textstyle (k-1)\times(n+1)$ 個引數，這樣演算法依然能夠正常工作。

在實際應用中，為了使演算法實現更簡單清楚，往往保留所有引數 $\textstyle (\theta_1, \theta_2,\ldots, \theta_n)$ ，而不任意地將某一引數設定為 0。但此時我們需要對代價函式做一個改動：加入權重衰減。權重衰減可以解決 softmax 迴歸的引數冗餘所帶來的數值問題。

權重衰減

我們通過新增一個權重衰減項 $\textstyle \frac{\lambda}{2} \sum_{i=1}^k \sum_{j=0}^{n} \theta_{ij}^2$ 來修改代價函式，這個衰減項會懲罰過大的引數值，現在我們的代價函式變為：

$\begin{align}J(\theta) = - \frac{1}{m} \left[ \sum_{i=1}^{m} \sum_{j=1}^{k} 1\left\{y^{(i)} = j\right\} \log \frac{e^{\theta_j^T x^{(i)}}}{\sum_{l=1}^k e^{ \theta_l^T x^{(i)} }} \right] + \frac{\lambda}{2} \sum_{i=1}^k \sum_{j=0}^n \theta_{ij}^2\end{align}$

有了這個權重衰減項以後 ( $\textstyle \lambda > 0$ )，代價函式就變成了嚴格的凸函式，這樣就可以保證得到唯一的解了。此時的 Hessian矩陣變為可逆矩陣，並且因為 $\textstyle J(\theta)$ 是凸函式，梯度下降法和 L-BFGS 等演算法可以保證收斂到全域性最優解。

為了使用優化演算法，我們需要求得這個新函式 $\textstyle J(\theta)$ 的導數，如下：

$\begin{align}\nabla_{\theta_j} J(\theta) = - \frac{1}{m} \sum_{i=1}^{m}{ \left[ x^{(i)} ( 1\{ y^{(i)} = j\} - p(y^{(i)} = j | x^{(i)}; \theta) ) \right] } + \lambda \theta_j\end{align}$

通過最小化 $\textstyle J(\theta)$ ，我們就能實現一個可用的 softmax 迴歸模型。

Softmax迴歸與Logistic 迴歸的關係

當類別數 $\textstyle k = 2$ 時，softmax 迴歸退化為 logistic 迴歸。這表明 softmax 迴歸是 logistic 迴歸的一般形式。具體地說，當 $\textstyle k = 2$ 時，softmax 迴歸的假設函式為：

$\begin{align}h_\theta(x) &=\frac{1}{ e^{\theta_1^Tx} + e^{ \theta_2^T x^{(i)} } }\begin{bmatrix}e^{ \theta_1^T x } \\e^{ \theta_2^T x }\end{bmatrix}\end{align}$

利用softmax迴歸引數冗餘的特點，我們令 $\textstyle \psi = \theta_1$ ，並且從兩個引數向量中都減去向量 $\textstyle \theta_1$ ，得到:

$\begin{align}h(x) &=\frac{1}{ e^{\vec{0}^Tx} + e^{ (\theta_2-\theta_1)^T x^{(i)} } }\begin{bmatrix}e^{ \vec{0}^T x } \\e^{ (\theta_2-\theta_1)^T x }\end{bmatrix} \\&=\begin{bmatrix}\frac{1}{ 1 + e^{ (\theta_2-\theta_1)^T x^{(i)} } } \\\frac{e^{ (\theta_2-\theta_1)^T x }}{ 1 + e^{ (\theta_2-\theta_1)^T x^{(i)} } }\end{bmatrix} \\&=\begin{bmatrix}\frac{1}{ 1 + e^{ (\theta_2-\theta_1)^T x^{(i)} } } \\1 - \frac{1}{ 1 + e^{ (\theta_2-\theta_1)^T x^{(i)} } } \\\end{bmatrix}\end{align}$

因此，用 $\textstyle \theta'$ 來表示 $\textstyle \theta_2-\theta_1$ ，我們就會發現 softmax 迴歸器預測其中一個類別的概率為 $\textstyle \frac{1}{ 1 + e^{ (\theta')^T x^{(i)} } }$ ，另一個類別概率的為 $\textstyle 1 - \frac{1}{ 1 + e^{ (\theta')^T x^{(i)} } }$ ，這與 logistic迴歸是一致的。

Softmax 迴歸 vs. k 個二元分類器

如果你在開發一個音樂分類的應用，需要對k種類型的音樂進行識別，那麼是選擇使用 softmax 分類器呢，還是使用 logistic 迴歸演算法建立 k 個獨立的二元分類器呢？

這一選擇取決於你的類別之間是否互斥，例如，如果你有四個類別的音樂，分別為：古典音樂、鄉村音樂、搖滾樂和爵士樂，那麼你可以假設每個訓練樣本只會被打上一個標籤（即：一首歌只能屬於這四種音樂型別的其中一種），此時你應該使用類別數 $k = 4$ 的softmax迴歸。（如果在你的資料集中，有的歌曲不屬於以上四類的其中任何一類，那麼你可以新增一個“其他類”，並將類別數 $k$ 設為5。）

如果你的四個類別如下：人聲音樂、舞曲、影視原聲、流行歌曲，那麼這些類別之間並不是互斥的。例如：一首歌曲可以來源於影視原聲，同時也包含人聲。這種情況下，使用4個二分類的 logistic 迴歸分類器更為合適。這樣，對於每個新的音樂作品，我們的演算法可以分別判斷它是否屬於各個類別。

現在我們來看一個計算視覺領域的例子，你的任務是將影象分到三個不同類別中。(i) 假設這三個類別分別是：室內場景、戶外城區場景、戶外荒野場景。你會使用sofmax迴歸還是 3個logistic 迴歸分類器呢？ (ii) 現在假設這三個類別分別是室內場景、黑白圖片、包含人物的圖片，你又會選擇 softmax 迴歸還是多個 logistic 迴歸分類器呢？

在第一個例子中，三個類別是互斥的，因此更適於選擇softmax迴歸分類器。而在第二個例子中，建立三個獨立的 logistic迴歸分類器更加合適。

中英文對照

Softmax迴歸 Softmax Regression

有監督學習 supervised learning

無監督學習 unsupervised learning

深度學習 deep learning

logistic迴歸 logistic regression

截距項 intercept term

二元分類 binary classification

型別標記 class labels

估值函式/估計值 hypothesis

代價函式 cost function

多元分類 multi-class classification

權重衰減 weight decay

中文譯者

曾俊瑀（[email protected]）, 王方（[email protected]），王文中（[email protected]）

簡單易學的機器學習演算法——Softmax Regression

Contents

簡介

代價函式

Softmax迴歸模型引數化的特點

權重衰減

Softmax迴歸與Logistic 迴歸的關係

Softmax 迴歸 vs. k 個二元分類器

中英文對照

中文譯者

簡單易學的機器學習演算法——Softmax Regression

機器學習筆記之八—— knn-最簡單的機器學習演算法以及KD樹原理

簡單易學的機器學習演算法——嶺迴歸(Ridge Regression)

簡單易學的機器學習演算法——梯度提升決策樹GBDT

簡單易學的機器學習演算法——AdaBoost

簡單易學的機器學習演算法——K-近鄰演算法

簡單易學的機器學習演算法——整合方法(Ensemble Method)

簡單易學的機器學習演算法——因子分解機(Factorization Machine)

簡單易學的機器學習演算法——K-Means演算法

簡單易學的機器學習演算法——樸素貝葉斯

簡單易學的機器學習演算法——神經網路之BP神經網路

簡單易學的機器學習演算法——EM演算法

簡單易學的機器學習演算法——SVD奇異值分解

簡單易學的機器學習演算法——Gibbs取樣

簡單易學的機器學習演算法——極限學習機(ELM)

簡單易學的機器學習演算法——Logistic迴歸

簡單易學的機器學習演算法——分類迴歸樹CART

簡單易學的機器學習演算法——基於密度的聚類演算法DBSCAN

CS231n——機器學習演算法——線性分類（下：Softmax及其損失函式）

機器學習演算法與Python實踐之邏輯迴歸（Logistic Regression）（二）

簡單易學的機器學習演算法——Softmax Regression

Contents

簡介

代價函式

Softmax迴歸模型引數化的特點

權重衰減

Softmax迴歸與Logistic 迴歸的關係

Softmax 迴歸 vs. k 個二元分類器

中英文對照

中文譯者

相關推薦