1. 程式人生 > >分類問題——Logistic分類器/softmax分類器

分類問題——Logistic分類器/softmax分類器

Sigmoid

先來了解一個函式——sigmoid: 在這裡插入圖片描述 它所對應的影象為 在這裡插入圖片描述 sigmoid函式中,z作為我們的自變數,它的範圍可以在(-∞,+∞),但是當z對映到sigmoid當中的,它的範圍則為(0,1),這個範圍是不是容易讓你聯想到概率?當我們的概率大於0.5,我們記作正類,當概率小於0.5,記作負類

迴歸原理

有了接下來我們需要確定我們分類的邊界,有時候我們的分類邊界是線性的,有時候分類邊界非線性的,這裡搬兩張吳恩達教授的圖來說明: 在這裡插入圖片描述 在這裡插入圖片描述 我們在確定好分類的邊界後,將其邊界的數學函式記作Z,就是我們sigmoid的那個Z, 假定我們的邊界是線性的: 在這裡插入圖片描述 那麼將其代入sigmoid函式: 在這裡插入圖片描述 對於二分類問題的話,我們得到的是(0,1)兩類結果 在這裡插入圖片描述

整合後: 在這裡插入圖片描述 我們利用似然函式 在這裡插入圖片描述 為了計算的方便,我們將其取對數,得到新的函式——對數似然函式: 在這裡插入圖片描述 為了使得我們的模型儘可能的準確,我們需要得到它的最大值,此時引入梯度上升法,引入新的函式: 在這裡插入圖片描述 此時我麼的任務變成了常見的梯度下降任務: 老規矩,先求導: 在這裡插入圖片描述 引數迭代更新: 在這裡插入圖片描述 最後得到一個較優的引數θ,我們的模型建立的過程也差不多快結束了。

Softmax

可以借鑑這裡的推導,個人感覺還不錯 簡單來說就是通過Softmax函式使得各個不同的型別所佔的概率相加為1,最後我們將測試的資料代入公式,計算出為每個類別的概率值,最後根據概率值判斷是屬於哪一類: 而我們的目的就是求得較優的引數θ是的模型的效能儘可能的好