softmax函数用于将连续值转换为概率分布，常用于多类分类问题。它通过对未规范化预测值求指数并归一化来确保输出总和为1，代表每个类别的置信度。交叉熵损失则用来衡量预测概率与实际标签之间的差异，是评估分类模型性能的关键指标。
softmax实际上是一个分类问题
会归与分类的区别：
回归估计一个连续值：单连续数值输出，有一个自然区间，跟真实值的区别作为损失
分类预测一个离散类别：通常多个输出，输出的第i个元素是预测为第i类的置信度
从回归到多类分类：独热编码（one-hot encoding）
均方损失：
无校验比例：
校验比例：
softmax函数能够将未规范化的预测变换为非负数并且总和为1，同时让模型保持 可导的性质。 为了完成这一目标，我们首先对每个未规范化的预测求幂，这样可以确保输出非负。 为了确保最终输出的概率值总和为1，我们再让每个求幂后的结果除以它们的总和。
exp(o)是要做指数，这样可以保证非负。 损失：
Softmax和交叉熵损失
总结：
Softmax回归是一个多类分类模型
使用Softmax操作子得到每个类的预测置信度
使用交叉熵来衡量预测和标号的区别
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
