【机器学习】Softmax Regression算法原理与java实现


Logistic Regression算法是线性二分类算法,Softmax Regression算法是Logistic Regression算法在多分类问题上的推广,其中任意两个类别的样本是线性可分的(参考资料1)。

1、Softmax Regression算法原理

1.1、样本概率

假设样本 { x 1 , x 2 , ⋯   , x n } \left\{ { {x_1},{x_2}, \cdots ,{x_n}} \right\} { x1,x2,,xn}的个数为 n n n,样本特征个数为 m m m,样本标签类别为 j j j。为了使样本映射到 j j j个类别中,则权重矩阵( W = [ w 1 , w 2 , ⋯   , w j ] W = \left[ { {w_1},{w_2}, \cdots ,{w_j}} \right] W=[w1,w2,,wj])的维度为 m × j m \times j m×j
样本 x i x_i xi属于类别 k ( k ∈ { 0 , 1 , ⋯   , j − 1 } ) k(k \in \left\{ {0,1, \cdots ,j - 1} \right\}) kk{ 0,1,,j1}的概率为:

p ( y i = k ∣ x i ; W ) = e w k T x i ∑ l = 1 j e w l T x i p\left( { {y_i} = k\left| { {x_i}} \right.;W} \right) = \frac{ { {e^{w_k^T{x_i}}}}}{ {\sum\limits_{l = 1}^j { {e^{w_l^T{x_i}}}} }} p(yi=kxi;W)=l=1jewlTxiewkTxi

将样本属于所有类别的概率合并后样本的概率为:
p ( y i ∣ x i ; W ) = ∏ l = 1 k ( e w k T x i ∑ l = 1 j e w l T x i ) I { y i = l } p\left( { {y_i}\left| { {x_i};W} \right.} \right) = \prod\limits_{l = 1}^k { { {\left( {\frac{ { {e^{w_k^T{x_i}}}}}{ {\sum\limits_{l = 1}^j { {e^{w_l^T{x_i}}}} }}} \right)}^{I\left\{ { {y_i} = l} \right\}}}} p(yixi;W)=l=1kl=1jewlTxiewkTxiI{ yi=l}

其中,当样本 x i x_i xi属于类别 l l l I { y i = l } = 1 {I\left\{ { {y_i} = l} \right\}}=1 I{ yi=l}=1,否则 I { y i = l } = 0 {I\left\{ { {y_i} = l} \right\}}=0 I{ yi=l}=0

1.2、损失函数

本人之前博文中描述的那样,基于概率的机器学习算法的损失函数为负的log似然函数。
似然函数如下:

L W = ∏ i = 1 m p ( y i ∣ x i ; W ) = ∏ i = 1 m ∏ l = 1 k ( e w k T x i ∑ l = 1 j e w l T x i ) I { y i = l } {L_W} = \prod\limits_{i = 1}^m {p\left( { {y_i}\left| { {x_i};W} \right.} \right) = } \prod\limits_{i = 1}^m {\prod\limits_{l = 1}^k { { {\left( {\frac{ { {e^{w_k^T{x_i}}}}}{ {\sum\limits_{l = 1}^j { {e^{w_l^T{x_i}}}} }}} \right)}^{I\left\{ { {y_i} = l} \right\}}}} } LW=i=1

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值