ML：2-2-3 多分类问题multicalss

已于 2024-02-01 20:20:52 修改
阅读量356 收藏 10
点赞数 3
CC 4.0 BY-SA版权
文章标签： 分类 机器学习 人工智能
于 2024-02-01 00:21:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/skylar0/article/details/135761852
本文介绍了多分类问题的定义，重点讨论了softmax函数如何扩展了二分类逻辑回归，以及如何在神经网络中作为输出层用于多类分类问题。softmax函数通过最大化单个预测值来最小化损失，而神经网络的手写数字识别则展示了输出层神经元数量的增加。同时提到了使用稀疏类别交叉熵作为损失函数的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录


【吴恩达机器学习65-67】

1. 多分类问题的定义

  1. classification问题可能的output大于2种。

在这里插入图片描述

  1. multiclass的预测图像可能是右侧这样的。

请添加图片描述

2. softmax

  1. softmax regression算法是logistic regression的泛化（通用化）。【binary classification ----> multiclass】
  2. 对于logistic regression来说y=1和y=0的概率和等于1。a2=1-a1。
  3. 对于softmax regression来说，a1…的计算如图右。a1+a2+a3+a4 = 1。

请添加图片描述

  1. 接下来了解softmax regression的cost function。
  2. 看图像可知，当aj值越靠近1，loss越小。那么我们要minimize loss就让aj尽可能大。
  3. 注意，y值只能取一个，所以loss函数只会对应一个-log aj。

最低0.47元/天 解锁文章

200万优质内容无限畅学
skylar0
关注
机器学习 Machine Learning（by Andrew Ng）----第四章 逻辑回归(Logistic Regression)
Jithonor的博客
07-23 1811
第四章 逻辑回归(Logistic Regression) 分类(Classification)> 假设表示(Hypothesis Representation) > 决策边界(Decision Boundary)> 代价函数(Cost Function)> 简化的成本函数和梯度下降(Simplified Cost Function and Gradien
【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释 超详细）
showswoller的博客
12-15 5291
【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释 超详细）
基于深度学习的图像分类：使用Inception-v3实现高效分类
qq_74383080的博客
07-26 514
本文介绍了基于Inception-v3模型的图像分类方法。首先阐述了图像分类的定义及其在医学、自动驾驶等领域的应用，然后重点分析了Inception-v3架构的多尺度特征提取和模块化设计优势。文章详细展示了使用PyTorch实现Inception-v3的全过程，包括数据预处理、模型加载与微调、训练和评估等步骤。实验在CIFAR-10数据集上取得了良好效果，证实了Inception-v3的高效性和灵活性。该方案为图像分类任务提供了实用参考，可根据需求进一步优化扩展。
模型量化方式及分类
weixin_67868534的博客
07-24 654
模型量化是一种降低模型参数精度的压缩技术，将32位浮点数转换为8位整数等低精度格式，以减少模型大小、内存占用和计算需求，特别适用于资源受限设备。主要分类包括按量化精度（整型、浮点、混合精度）、量化阶段（后训练量化PTQ和量化感知训练QAT）以及量化内容（权重、激活、梯度）。量化能显著提升存储和计算效率，但也面临精度损失、兼容性等问题。量化技术已成为深度学习模型部署优化的关键手段。
基于深度学习的胸部 X 光图像肺炎分类系统（二）
wh_xia_jun的专栏
07-24 740
不是固定公式：没有 “必须 21 层” 的规定，就像盖房子，3 层能住，5 层也能住，看需求。经验为主：人们发现处理这类 X 光片（中等复杂度的图片），用 4 个卷积块（16 层）+ 简单分类器（5 层）比较合适：少于 10 层：可能 “看不透” 细节（比如小的肺炎阴影抓不到）。多于 30 层：电脑要算很久，还可能 “想太多”（把正常的纹理当成肺炎特征）。试出来的：程序员可能一开始试了 10 层，发现效果不好（漏诊多）；又试了 30 层，发现太慢还容易错；最后调到 21 层，效果和效率比较平衡。
基于Matlab传统图像处理技术的车辆车型识别与分类方法研究
ZSW1218的博客
07-23 651
随着计算机视觉和图像处理技术的发展，车辆检测与识别已经成为智能交通系统中的一个重要研究方向。传统图像处理方法通过对图像进行预处理、特征提取、分类与识别，提供了一种无需复杂深度学习模型的解决方案。本研究基于MATLAB平台，采用传统图像处理技术，提出了一种新的车辆车型识别与分类方法。通过背景差分、图像灰度化、二值化、形态学处理等多种传统图像处理技术，对车辆图像进行处理，提取车辆的特征信息。进一步地，通过对图像中车身区域的分析，结合车辆占比和边界检测等参数，对车辆进行分类。实验结果表明，该方法能够有效地从交通场
150-SWT-MCNN-BiGRU-Attention分类预测模型等！
m0_53992455的博客
07-24 581
通过不同大小的卷积核，MCNN能够捕捉到数据中不同尺度的细节信息，从而提高模型的表达能力；最后，通过光伏阵列故障数据集进行验证，证明了所提方法的有效性。格拉姆角场转换代码、参考文献、MCNN-BiGRU-Attention模型、MCNN-BiGRU模型、MCNN-GRU模型、MCNN模型。6.主页还有其他模型：MCNN-BiLSTM-Attention、MCNN-SVM、MCNN-KELM以及MCNN模型。③划分了训练集、验证集、测试集，在网络训练的时候采用验证集不断降低损失，从而不会影响模型的泛化能力;
最近邻规则分类KNN，原理，k值选择优化，kd树优化，以及iris数据集分类
2301_79797055的博客
07-25 862
KNN（K-最近邻）是一种基于实例的懒惰学习分类算法，通过计算未知样本与已知样本的距离（如欧氏距离），选取最近的K个邻居投票决定类别。K值通常取奇数以避免平局，可通过交叉验证优化选择。算法缺点包括计算复杂度高、对不均衡数据敏感，可通过带权KNN（距离加权投票）和KD树（空间划分加速搜索）优化。KD树递归选择划分维度（轮流或方差最大），按中位数分割构建二叉树，搜索时利用超平面距离剪枝减少计算。实践应用需数据归一化，评估指标包括准确率、精确率等。适用于低/中维数据，配合KD树可扩展至高维场景。
基于深度学习的胸部 X 光图像肺炎分类系统（三）
wh_xia_jun的专栏
07-24 589
这段代码里有很多地方明确体现了这是一个。
基于深度学习的图像分类：使用ShuffleNet实现高效分类
最新发布
qq_74383080的博客
07-27 633
本文介绍了基于ShuffleNet的轻量级图像分类方法。首先阐述了图像分类的定义和应用场景，包括医疗、自动驾驶等领域。重点分析了ShuffleNet的核心技术：点群卷积和通道混洗操作，这些设计在保证精度的同时显著降低了计算量。文章提供了完整的代码实现方案，包括数据预处理、模型加载、训练和评估流程，使用CIFAR-10数据集进行验证。实验表明，ShuffleNet在保持较高分类精度的同时，具有模型轻量化优势，特别适合移动和嵌入式设备应用。最后建议读者可以尝试扩展应用到其他数据集或改进模型架构。
使用GIS中基于森林的分类与回归模型来估算房屋价值
gis收藏家的博客
07-27 644
既然我们已经尝试了主要使用非空间因素的房屋销售价值估算方法，那么让我们来探索一下，随着引入基于距离的训练特征，模型会发生怎样的变化。更棒的是，能够以如此快速直观的方式将现有的额外 GIS 数据整合到模型的邻近性考量中，这非常有用。注意：基于森林的分类与回归的另一个重要方面是，候选解释因素中的多重共线性效应不会妨碍您创建有效的模型。基于森林的分类和回归扩展了强大的随机森林机器学习算法的实用性，它不仅能够考虑模型中的属性数据，还能考虑基于距离的训练特征和解释栅格，以便在分析中利用位置。
DIOR-ViT：用于病理图像癌症分类的差分序数学习视觉Transformer|文献速递-医学影像算法文献分享
weixin_38594676的博客
07-23 962
Title题目DIOR-ViT: Differential ordinal learning Vision Transformer for cancerclassification in pathology imagesDIOR-ViT：用于病理图像癌症分类的差分序数学习视觉Transformer01文献速递介绍癌症是全球主要的死亡原因之一（Bray 等人，2021）。2020 年，全球新增癌症病例 1930 万例，死于癌症的人数达 1000 万（Sung 等人，2021）。一旦怀疑患有癌症，就会通过活检或
血液样本的分类与应用
2301_80746785的博客
07-24 1167
本文介绍了临床检验中常用的血液样本类型及其应用。血液主要由血细胞和血浆组成，离体后可分为血清、白细胞血小板层和红细胞。全血样本包含血细胞和血浆，主要用于血细胞检查，按采集部位分为静脉血、动脉血和毛细血管血。血清适用于化学和免疫学检查，不含纤维蛋白原。血浆则包含凝血因子等成分，适用于快速生化试验和止血检查。血清和血浆在多数检测中可以互换，但血浆更适合细胞分析和病毒检测。不同样本的选择取决于检测项目需求，以准确反映机体生理病理状况。
【建模与仿真】融合共现网络特征与知识增强语义梯度提升电子邮件分类
2501_92218442的博客
07-24 1183
摘要：本文提出了一种基于共现网络特征与知识增强语义的梯度提升电子邮件分类算法(GBECKS)。通过构建电子邮件知识共现网络，结合Vivaldi算法提取网络特征，并融合ERNIE预训练模型的语义表征，采用XGBoost进行分类。实验结果表明，相比BiLSTM、HAN、BERT和ERNIE等主流模型，GBECKS在准确率等指标上显著提升，同时具有较低的计算复杂度。该方法为电子邮件分类提供了新的知识网络特征补充，实现了高效精准的分类效果。
基于深度学习的图像分类：使用MobileNet实现高效分类
qq_74383080的博客
07-24 714
本文介绍了基于MobileNet的轻量级图像分类方法。首先阐述了图像分类的定义与医学、自动驾驶等应用场景，然后详细解析MobileNet架构的核心技术——深度可分离卷积，说明其通过将标准卷积分解为深度卷积和逐点卷积来减少计算量的优势。文章提供了完整的PyTorch实现流程，包括数据预处理、预训练模型加载、分类层调整、模型训练与评估等关键步骤。实验使用CIFAR-10数据集，展示了MobileNet在保持较高精度的同时显著降低计算复杂度的特点。最后建议读者可尝试其他轻量级模型或更大规模的数据集应用。
基于LSTM深度学习网络的视频类型分类算法matlab仿真
MATLAB,verilog,python,opencv,tensorflow,caffe,C,C++
07-26 848
本文提出了一种基于LSTM的视频类型分类方法，通过ResNet-18提取空间特征，结合LSTM处理时序信息。算法采用门控机制解决长程依赖问题，能有效区分动作片、喜剧等视频类型。实验验证了该方法在Matlab平台的性能，并详细介绍了特征提取、序列构建等关键技术。研究为视频分类提供了深度学习方法，具有实际应用价值。
yolo11分类一键训练工具免安装环境windows版使用教程
FL1623863129的博客
07-27 64
这个是windows上用于yolo11分类训练工具，不需要写代码只需要按照要求摆放好分类图片文件夹就可以训练。软件内置cuda和python模块，因此不需要安装python环境和cuda就可以使用。要求显存>=4GB。根据自己电脑配置设置好参数，软件默认按8GB显存进行设置参数。点击开始训练按钮一次然后看黑窗口会有训练信息输出。点击选择文件夹选择自己数据集文件夹。训练完就会在软件runs文件夹找到训练模型和日志了。第二种：文件夹下面有train和val文件夹。第一种：一个文件夹下面按类别放对应类别图片。
基于深度学习的胸部 X 光图像肺炎分类系统（一）
wh_xia_jun的专栏
07-24 592
这段代码是一个用于胸部 X 光图像肺炎分类的深度学习项目。这两行代码就是在 “数数量”：→ 数清楚 “正常” 的片子有多少张；→ 数清楚 “肺炎” 的片子有多少张。最后用print显示出来，就能直观看到两类片子的数量是否平衡啦～将 X 中的 X 光片从正方形重塑为长条形以适配处理工具这句话的作用是把所有 X 光片从 “正方形” 变成 “长条形”，方便后面的工具处理。把所有图片从二维的方块”展开成一维的 “长条”，目的是适配后面的处理工具，就像把衣服叠成特定形状才能放进收纳盒一样。
基于深度学习的胸部 X 光图像肺炎分类系统（六）
wh_xia_jun的专栏
07-26 518
定义：模型正确预测的样本数占总样本数的比例解读左上子图中，蓝色线（训练准确率）最终稳定在 0.9 以上，说明模型在训练集上判断正确的比例超过 90%橙色线（验证准确率）也接近 0.9，说明模型在新数据上的泛化能力不错两条线的差距不大，说明模型没有明显过拟合准确率：给模型打个 “总体分”，看大概靠不靠谱；损失：看模型 “学习过程” 和 “预测细腻度”，指导训练；精确率：盯着 “别冤枉好人”（少误诊）；召回率：盯着 “别放过坏人”（少漏诊）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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