机器学习项目笔记:逻辑回归与Softmax回归原理详解
2025-06-07 16:08:27作者:姚月梅Lane
逻辑回归理论基础
逻辑回归(Logistic Regression)是机器学习中经典的分类算法,虽然名称中带有"回归"二字,但它实际上是一种用于解决二分类问题的线性模型。下面我们将深入探讨其核心原理。
模型函数推导
逻辑回归模型基于Sigmoid函数构建,其数学表达式为:
其中:
- 是线性组合
- 表示特征维度
- 和 是需要学习的参数
Sigmoid函数将线性输出映射到(0,1)区间,可以解释为样本属于类别的概率。
最大似然估计与损失函数
逻辑回归采用最大似然法进行参数估计。对于N个样本的训练集,似然函数为:
取负对数后得到交叉熵损失函数:
这个损失函数具有良好的数学性质:
- 当预测值与真实值差距大时,梯度也大,参数更新快
- 是凸函数,能保证梯度下降找到全局最优解
梯度下降算法推导
通过求导可以得到参数的更新规则:
其中是学习率。这个更新规则形式简洁,计算高效,适合大规模数据。
为什么选择交叉熵而非平方误差
初学者可能会疑惑为何不使用熟悉的平方误差作为损失函数,主要原因有二:
-
梯度特性差异:交叉熵在预测错误时提供更大的梯度,加速学习;而平方误差在预测严重错误时梯度反而很小,导致学习缓慢。
-
凸性保证:交叉熵损失是凸函数,保证能找到全局最优;平方误差会导致非凸的损失面,容易陷入局部最优。
下图直观展示了两种损失函数的差异:
交叉熵损失:陡峭→平缓
平方误差:平缓→更平缓→陡峭
Softmax回归:多分类扩展
当分类问题超过两类时,我们需要使用Softmax回归,它是逻辑回归在多分类问题上的推广。
Softmax函数定义
Softmax函数将K个实数映射为概率分布:
其中是第i类的得分。Softmax确保:
- 所有输出在(0,1)区间
- 所有输出之和为1
交叉熵损失函数
多分类问题中使用类别交叉熵:
其中是真实标签的one-hot编码,是预测概率。
梯度推导
Softmax的梯度计算较为复杂,但推导后可以得到简洁的表达式:
这与二分类逻辑回归的梯度形式高度一致,体现了算法的一致性。
代码实现要点
在实际实现时需要注意:
-
数值稳定性:计算指数时可能溢出,通常实现时会减去最大值:
exp_scores = np.exp(z - np.max(z, axis=1, keepdims=True))
-
正则化:通常加入L2正则项防止过拟合:
reg_loss = 0.5 * reg * np.sum(W * W)
-
批量处理:使用矩阵运算加速计算,避免循环。
应用场景对比
- 逻辑回归:二分类问题,如垃圾邮件识别、疾病诊断
- Softmax回归:多类别互斥分类,如手写数字识别、图像分类
理解这两种算法的原理和实现细节,是掌握分类问题的基础,也为学习更复杂的神经网络模型奠定了重要基础。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~050CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0305- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
178
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
867
513

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
265
305

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57

基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3