机器学习之十二:softmax回归

1、Softmax模型
    Softmax回归和逻辑回归的回归模型很类似,为如下条件概率:

P(Y=k|xi;wk)=exp(wkxi)Kk=1exp(wkxi)P(Y=k|xi;wk)=exp⁡(wk⋅xi)∑k=1Kexp⁡(wk⋅xi)

其中 xRn+1x∈Rn+1 wkRn+1wk∈Rn+1 k=1,2,3...,Kk=1,2,3...,K ,表示有K个类别。
    对于给定的测试输入 xixi ,我们想用条件概率针对每一个类别 kk 估算出概率值 P ( Y = k | x i ) 。也就是说,我们想估计 xixi 的每一种分类结果出现的概率。因此,我们的条件概率函数将要输出一个 KK 维的向量(向量元素的和为1)来表示这 KK 个估计的概率值。 具体地说,我们的条件概率函数 P w ( x i ) 如下:
Pw(xi)=
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