softmax原理及推导

本次记录内容主要为softmax的推导,部分内容有参考各网友文章

多分类问题

多分类问题符合多项式分布,softmax是一种用于解决多分类问题的有效方法。

softmax的推导思路为:
首先证明 多项分布属于指数分布族,这样就可以使用广义线性模型来拟合这个多项分布,由广义线性模型推导出的目标函数 h(x) 即为Softmax回归的分类模型。

证明多项式分布是指数分布族

(什么是指数分布族可参考我的另一篇 指数分布族函数与广义线性模型)
多分类模型的输出是该样本属于k个类别的概率,从这k个概率中我们选择最优的概率对应的类别,作为该样本的预测类别。
这k个概率用k个变量 Θ1…Θk 来表示,这k个变量的和为1,即满足:


Θk 可以用前k-1个变量来表示:

使用广义线性模型拟合这个多分类问题,首先要验证这个多项分布是否符合一个指数分布族。定义T(y)为:
softmax原理及推导_第1张图片

在这里,统计分量T(y)并没有像之前那样定义为T(y)=y,因为T(y)不是一个数值,而是一个k-1维的向量。下面使用 表示向量T(y)的第 i 个元素。

下面引入一个新的符号:


如果括号内为true则这个符号取1,反之取0,例如:

那么
与 y 的关系可以表示为:

也就是说,向量T(y)的第 i 个元素是否为1是由当前y是否与 i 相等决定的。
T(y)是一个类似于onehot向量的东西,表示属于k类中的哪一个,则相应位置 i 会置为1。

那么可以得到:


softmax原理及推导_第2张图片

多项式分布转化为指数分布族表达式过程如下:


softmax原理及推导_第3张图片

上面转换过程中每一步的转换依据如下:


softmax原理及推导_第4张图片

以上推导证明了:多项分布表达式可以表示为指数分布族表达式的格式,所以它属于指数分布族,那么就可以用广义线性模型来拟合这个多项式分布模型。


softmax推导

由η表达式可得:



softmax原理及推导_第5张图片

转载注明:https://www.jianshu.com/p/5d5e3698f46f

你可能感兴趣的:(softmax原理及推导)