0

我目前有一个程序，它采用特征向量和分类，并将其应用于已知的权重向量，以使用逻辑回归生成损失梯度。这是那个代码：

double[] grad = new double[featureSize];

        //dot product w*x
        double dot = 0;
        for (int j = 0; j < featureSize; j++) {
            dot += weights[j] * features[j];
        }

        //-yi exp(-yi w·xi) / (1+ exp(-yi w·xi))
        double gradMultiplier = (-type) * Math.exp((-type) * dot) / (1 + (Math.exp((-type) * dot)));

        //-yi xi exp(-yi w·xi) / (1+ exp(-yi w·xi))
        for (int j = 0; j < featureSize; j++) {
            grad[j] = features[j] * gradMultiplier;
        }

        return grad;

我正在尝试做的是使用 Softmax 回归实现类似的东西，但是我在网上找到的所有 Softmax 信息与我所知道的 Logit 损失函数并不完全遵循相同的词汇，所以我一直感到困惑。我将如何实现与上述类似但使用 Softmax 的功能？

根据 Softmax 的维基百科页面，我的印象是我可能需要多个权重向量，每个可能的分类都有一个。我错了吗？

4

1 回答 1

1

Softmax 回归是 Logistic 回归的推广。在逻辑回归中，标签是二元的，在 Softmax 回归中，它们可以取两个以上的值。逻辑回归是指二项式逻辑回归，Softmax 回归是指多项逻辑回归。

这里有一个很好的页面。在您的代码中，您似乎尝试实现梯度下降来计算weights最小化成本函数。提供的链接涵盖了该主题。

根据 Softmax 的维基百科页面，我的印象是我可能需要多个权重向量，每个可能的分类都有一个。我错了吗？

你说的对。如果您有n 个特征和K个类别，那么您的权重是n 个元素的K个向量，如上面的链接所示。

让我知道它是否有帮助。

于 2016-05-23T05:41:58.343 回答