損失函數
指數損失函數(Adaboost)
平方差損失函數:yolo
交叉熵損失函數:softmaxloss
線性分類:y=w0x0+w1x1+…+wnxn=w轉置x
激活函數sigmoid函數:(作用是爲了引入非線性因素,提高非線性分類能力)。
得到Logistics假設函數:,非線性二分類。
對於輸入x分類結果爲類別1和類別0的概率分別爲:
P(y = 1 | x;θ)= hθ(x)
P(y = 0 | x;θ)= 1−hθ(x)
通過極大似然估計推導出損失函數:
Softmax是將logistics迴歸的二分類問題變爲K分類問題,
Softmax每個類別的假設函數組成的總體假設函數:
每一個樣本估計其所屬的類別的概率(softmax score)爲:
極大似然估計推導出損失函數:
使用梯度下降法求出最優的一組參數。
Softmax,在實際應用中,爲了使算法實現更簡單清楚,往往保留所有參數 ,而不任意地將某一參數設置爲 0。但此時我們需要對代價函數做一個改動:加入權重衰減。權重衰減可以解決 softmax 迴歸的參數冗餘所帶來的數值問題。
損失函數爲:
使用梯度下降法求出最優的一組參數。