知识卡片
多类概率共享归一化
一对其余方法每类训练一个二分类器。多元逻辑回归把所有类别打分一起输入 Softmax,概率共享一个归一化分母,交叉熵因而将类别参数连接起来。稀疏逻辑回归可通过 L1 选特征,弹性网加入 L2 后更倾向保留相关特征组。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 极大不相关多元逻辑回归 8.1 引入极大不相关约束的意义 · 查看原书依据
为了用逻辑回归解决多分类问题,通常有两类逻辑回归扩展方式,一类是建立k个独立的二元分类器,每个分类器将一类样本标记为正样本,将所有其他类别的样本标记为负样本。
参考来源
- 位置:《分布式机器学习:交替方向乘子法在机器学习中的应用》第8章《极大不相关多元逻辑回归》8.1 引入极大不相关约束的意义(来源项目 book-source,源文件:extracted/分布式机器学习:交替方向乘子法在机器学习中的应用/_epub-src/OEBPS/Text/chapter8.xhtml)
- 结论依据:8.1 引入极大不相关约束的意义中的定义、更新式或实验叙述提供本卡依据。一对其余方法每类训练一个二分类器。
- 原始内容:为了用逻辑回归解决多分类问题,通常有两类逻辑回归扩展方式,一类是建立k个独立的二元分类器,每个分类器将一类样本标记为正样本,将所有其他类别的样本标记为负样本。