softmax回归

在分类中，我们会碰到二分类，这个时候我们就可以使用logistic回归，然后多分类的任务在现实中才是常见的，例如让你分类某一个电影属于哪一类，以及文章类型属于哪一类，这个时候我们就需要softmax回归。

 

在Logistic回归中，样本数据的值，而在softmax回归中，其中是类别种数，

比如在分析电影类别时中，表示要识别的10种类型的电影。设

 

          

 

那么

 

          

 

而且有

 

          

 

为了将多项式模型表述成指数分布族，先引入，它是一个维的向量，那么

 

   

 

应用于一般线性模型，必然是属于个类中的一种。用表示为真，同样当为假时，有

，那么进一步得到联合分布的概率密度函数为

 

      

 

对比一下，可以得到

 

         

 

由于

 

       

 

那么最终得到

 

       

 

可以得到期望值为

 

       

 

接下来得到对数似然函数函数为

 

        

 

其中是一个的矩阵，代表这个类的所有训练参数，每个类的参数是一个维的向量。所以在

softmax回归中将分类为类别的概率为

 

        

 

跟Logistic回归一样，softmax也可以用梯度下降法或者牛顿迭代法求解，对对数似然函数求偏导数，得到

 

 

然后我们可以通过梯度上升法来更新参数

 

   

 

注意这里是第个类的所有参数，它是一个向量。

 

在softmax回归中直接用上述对数似然函数是不能更新参数的，因为它存在冗余的参数，通常用牛顿方法中的Hessian

矩阵也不可逆，是一个非凸函数，那么可以通过添加一个权重衰减项来修改代价函数，使得代价函数是凸函数，并且

得到的Hessian矩阵可逆。更多详情参考如下链接。