softmax回归与交叉熵损失

前言

回归与分类是机器学习中的两个主要问题,二者有着紧密的联系,但又有所不同。在一个预测任务中,回归问题解决的是多少的问题,如房价预测问题,而分类问题用来解决是什么的问题,如猫狗分类问题。分类问题又以回归问题为基础,给定一个样本特征,模型针对每一个分类都返回一个概率,于是可以认为概率最大的类别就是模型给出的答案。但有时模型给出的每一类的概率并不满足概率的公理化定义,这时就要用到softmax回归。交叉熵是分类问题中的一个常用损失函数,本文也略有介绍。


一、softmax回归是什么?

分类问题虽然要的只是“是什么”的答案,但所使用的模型给出的每一类别的概率仍然是数值,这是一种“软分类”。

假设某一问题中有三个给定类别,每一个样本有四个特征,我们首先搭建一个有四个输入三个输出的简单神经网络模型。

 模型所表示的数学表达式为

begin{bmatrix} o_{1}\o_{2} \ o_{3}end{bmatrix}=begin{bmatrix} omega _{11} & omega _{12} & omega _{13} & omega _{14} \ omega _{21} & omega _{22} & omega _{23} & omega _{24} \ omega _{31} & omega _{32} & omega _{33} & omega _{34} end{bmatrix}begin{bmatrix} x_{1}\ x_{2}\ x_{3}\ x_{4} end{bmatrix}+begin{bmatrix} b_{1}\ b_{2}\ b_{3} end{bmatrix}

 给定一个样本,计算出o_{1},o_{2},o_{3}之后,选取其中最大值所属的类别,作为模型给出的预测值。这样就会存在一个问题,这里的o都是未规范化的,不满足概率的基本公理,不能直接将其视为概率。社会科学家邓肯·卢斯于1959年在选择模型(choice model)的理论基础上发明的softmax函数正好解决了这一问题。该函数实现了这样一种作用:将分类模型的输出概率规范化并保持可导。函数对向量textbf{o}的操作也非常简单:

 hat{mathbf{y}}=softmax(mathbf{o})    其中    hat{y_{j}}=frac{exp(o_{j})}{sum _{k}exp(o_{k})}

为什么使用指数函数呢?我个人的理解是,指数函数可以保证非负、可导,形式简单,完美符合概率公理,还能保证概率的大小顺序始终不变。

二、交叉熵损失是什么?

1.损失函数

在机器学习模型中,想要衡量模型好坏,就需要一个指标,损失函数所完成的就是这个任务。模型给出的答案和正确答案之间存在偏差,已经定义好的损失函数接受这两个答案,输出一个指标,模型根据这个指标才能更好地进行参数更新。有点像考试做题,老师判卷后会给你一个分数,我们根据分数和卷子再来决定如何查漏补缺。

举一个损失函数的简单例子:

l=loss(hat{y},y)=hat{y}-y

预测值比真实值高了,模型就想办法改参数让 l 的值更小一点。用的指标叫损失函数,想的办法叫优化算法。这个例子过于简单以至于不怎么好用。于是人们想出了五花八门有更好性质的损失函数。比如加个绝对值或者平一下方等操作。

2.熵是什么?

熵在多个学科中都有定义,这里的熵是信息论中的熵。

信息论认为数据中的信息是可以量化的,一系列事件组成一个概率分布P,每个事件都对应一个发生的概率,那么根据公式可以计算出该分布P的熵。

H[P]=sum _{j}-P(j)logP(j)

其中如果以2为底,熵的单位是比特(bit),以 e 为底单位则是纳特(nat)。

这个公式有什么意义呢? 

显然,如果一个事件必然发生,那么在分布P中该事件对应的概率是1,代入公式可得分布P的熵就是0。这意味着分布P中没有任何有用的信息,不用猜就知道某个事件必然会发生。但如果是一个 (frac{1}{2},frac{1}{2}) 的分布,计算其熵为log2,如果以2为底,那么信息熵是1bit,即用一位二进制代码就可以表示事件的信息。随机变量越不确定,越需要大的信息量确定其值。因此熵表示了分布的不确定性。

3.交叉熵是什么?

假设有一个随机变量 Xsim p(x) ,q(x) 是用于近似 p(x) 的分布,那么有交叉熵公式:

H(X,q)=-sum _{x}p(x)logq(x)

 交叉熵有什么用?

交叉熵衡量了主观概率分布与真实分布的差异。在具体问题中,我们当然是希望模型给出的预测概率越接近真实概率越好,如果两个概率分布差异很大,交叉熵的值也会很大。因此用交叉熵做损失函数正好可以满足损失函数的要求,之后再为交叉熵损失函数设计具体的优化算法就可以比较好地解决分类问题了。

本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
THE END
分享
二维码
< <上一篇
下一篇>>