机器学习——线性模型之Softmax回归

问：Softmax回归模型是一种典型处理多分类任务的非线性分类模型

答：错误。Softmax回归是线性分类模型。实际上是逻辑回归的拓展，它将逻辑回归的二分类推广到了多分类，用逻辑回归的方法解决多分类问题。

线性模型——Softmax回归

Softmax回归模型是一种用于分类问题的模型。它的主要思想是将每个类别的得分（或者说是概率）通过一个函数进行归一化，使得所有类别的概率之和等于1。这个函数就是Softmax函数，从而进行分类决策。在训练模型时，我们会通过最小化损失函数来调整模型参数，使得模型的预测结果与真实结果尽可能地接近。在实际应用中，Softmax回归模型经常被用来处理多分类问题，比如图像分类、自然语言处理等。
    在学习softmax回归之前，需要先了解两个知识点，一个是softmax函数，另一个是One-Hat编码。softmax函数和逻辑回归中的sigmoid函数的作用一样，都是为了将线性回归的连续值转换为离散值，从而完成分类任务，不同之处在于，sigmoid将连续值转换为0和1，而对于一个C CC分类问题来说，softmax函数则是转换为{ 1 , 2 , 3... , C } \\{1,2,3...,C\\}{1,2,3...,C}。softmax函数表达式为:

Softmax 回归模型有以下几个特点：

• 对于每个类别，都存在一个独立的、实值加权向量
• 这个权重向量通常作为权重矩阵中的行。
• 对于每个类别，都存在一个独立的、实值偏置量b
• 它使用 softmax 函数作为其激活函数
• 它使用交叉熵( cross-entropy )作为损失函数