Logistic分类函数
来源:互联网 发布:miui8降级miui7数据 编辑:程序博客网 时间:2024/05/29 15:47
Logistic分类函数
这部分教程将介绍两部分:
- Logistic函数
- 交叉熵损失函数
如果我们利用神经网络进行分类,对于二分类问题,t=1
或者t=0
,我们能在logistic
回归中使用logistic
函数。对于多分类问题,我们使用softmax
函数来处理多项式logistic
回归。本教程我们先解释有关logistic
函数的知识,后续教程会介绍softmax
函数的知识。
我们先导入教程需要使用的软件包。
from __future__ import print_functionimport numpy as npimport matplotlib.pyplot as plt
Logistic函数
假设我们的目标是根据输入的z
去预测分类t
。概率方程P(t=1|z)
表示输出y
根据logisitc
函数y=σ(z)
得到的值。σ
被定义为:
根据函数分类的概率t=1
或者t=0
,我们能得到以下公式:
注意一下,其实z
就是P(t=1|z)与P(t=0|z)的比值求对数。
logistic
函数在下面的代码中logistic(z)
实现,并且可视化了logistic
函数。
# Define the logistic functiondef logistic(z): return 1 / (1 + np.exp(-z))
# Plot the logistic functionz = np.linspace(-6,6,100)plt.plot(z, logistic(z), 'b-')plt.xlabel('$z$', fontsize=15)plt.ylabel('$\sigma(z)$', fontsize=15)plt.title('logistic function')plt.grid()plt.show()
Logistic函数求导
因为神经网络一般使用梯度下降来优化,所以我们需要先求出y
对于z
的倒数,即∂y/∂z
可以表示为:
因为1−σ(z))=1−1/(1+e^−z)=e−z/(1+e^−z)
,所以我们又可以把上式简化为:
logistic_derivative(z)
函数实现了Logistic
函数的求导。
# Define the logistic functiondef logistic_derivative(z): return logistic(z) * (1 - logistic(z))
# Plot the derivative of the logistic functionz = np.linspace(-6,6,100)plt.plot(z, logistic_derivative(z), 'r-')plt.xlabel('$z$', fontsize=15)plt.ylabel('$\\frac{\\partial \\sigma(z)}{\\partial z}$', fontsize=15)plt.title('derivative of the logistic function')plt.grid()plt.show()
对于logistic函数的交叉熵损失函数
模型的输出结果y=σ(z)
可以被表示为一个概率y
,如果t=1
,或者概率1-y
,如果t=0
。我们把这个记为P(t=1|z)=σ(z)=y
。
在神经网络中,对于给定的一组参数θ
,我们可以使用最大似然估计来优化参数。参数θ
将输入的样本转化成输入到Logistic
函数中的参数z
,即z = θ * x
。最大似然估计可以写成:
因为对于给定的参数θ
,去产生t
和z
,根据联合概率我们又能将似然函数L(θ|t,z)
改写成P(t,z|θ)
。由于P(A,B) = P(A|B) ∗ P(B)
,我们又可以简化联合概率:
因为我们不关心有关z
的概率,所以我们可以把原来的似然函数改写成:
因为t
服从伯努力分布,而且如果给定参数θ
,那么P(t|z)=y
就是一个确定的值,因此我们又可以改写概率方程:
由于对数函数是单调递增函数,我们可以依此优化对数似然函数
该函数的最大值和常规的似然函数的最大值一样,所以我们计算对数似然函数如下,
我们最小化这个负对数似然函数,等价于最大化似然函数。一个典型的误差函数可以设计为如下交叉熵误差函数:
这个函数可能看起来比较复杂,但是如果我们把它拆分开来看,就会比较简单。
从上式中我们可以发现,如果样本被正确分类,那么损失函数L(t,y)
和负对数概率函数在表达式上面是一样的,即
因为t
只能取值0
或者1
,所以我们能将L(t, y)
写为:
如果你要分析每一个训练数据,那么就是下式:
另一个我们使用交叉熵函数的原因是,在简单Logistic
回归中,交叉熵函数是一个凸损失函数,全局最小值很容易找到。
对于logistic函数的交叉熵损失函数的求导
对于损失函数∂ξ/∂y
求导,计算如下:
现在,我们对输入参数z
进行求导将变得很容易。
至此,完整求导完成。
- Logistic分类函数
- logistic分类函数和softmax分类函数
- logistic分类
- 机器学习-基于Logistic回归和Sigmoid函数的分类
- Logistic函数
- Logistic函数
- logistic函数
- logistic函数
- Logistic回归分类
- Logistic Regression 分类算法
- logistic回归分类
- logistic回归分类
- Logistic应用于二分类
- Python Logistic 回归分类
- 分类和Logistic回归
- 分类算法:Logistic回归
- Logistic 多分类
- logistic分类(logistic回归 LR)
- slice、splice和split各自的用法
- Android系统篇之—-Binder机制和远程服务调用机制分析
- Dos命令初阶--文件拷贝
- java、java Web 获取项目根路径
- 数据结构 两个链表合并-python
- Logistic分类函数
- bind(this)绑定this指向的对象、箭头函数和闭包
- GSM Hacking Part ① :使用SDR扫描嗅探GSM网络
- cxf发布webservice用到的所有jar包
- spring @component的作用
- Hive进阶之Hive的数据查询
- 深入理解java异常处理机制
- Html5与Css3元素和属性(一)
- 利用servlet绘制验证码