Regresión Softmax completamente explicada para etiqueta de multiclase con Python

Regresión Softmax completamente explicada para etiquetado de múltiples clases con Python

Clasificación múltiple supervisada en aprendizaje automático

Introducción

En la regresión logística, lidiamos con clases binarias, es decir, dos clases en las columnas de salida. Sin embargo, en el mundo real, obtenemos diversos tipos de datos y a veces tenemos más de dos clases en la columna de salida. En ese caso, podemos utilizar la regresión de softmax, que es una regresión logística multinomial o un algoritmo de clasificación multicategoría. Para la regresión logística, podemos decir que es una forma de regresión de softmax.

Algunos de los aprendices pueden pensar que estamos resolviendo un problema de clasificación, pero usamos la regresión en el nombre del algoritmo. Como el cálculo base logístico es lineal solamente, el investigador simplemente añadió la función a su salida lineal para clasificación.

La función softmax crea la distribución de probabilidad para todas las clases, donde la suma de las salidas es igual a 1. Por ejemplo, si tenemos 4 clases en la columna de salida, las probabilidades de estas clases pueden ser [0.23, 0.45, 0.12, 0.20]. Esto significa que la clase con la probabilidad más alta probablemente será la predicción basada en la entrada.

• El algoritmo de búsqueda a gran escala de Facebook reutilizado para navegar eficientemente los datos proteómicos
• Este artículo de investigación en IA propone un método de mapeo basado en NeRF que permite una reconstrucción de mayor calidad y capacidad en tiempo real, incluso en computadoras de bordes.
• Desentrañando los misterios de los modelos de difusión una exploración en profundidad

Es muy importante ver los datos primero, observarlos y encontrar las columnas o características de entrada y objetivo. La siguiente cosa es comprobar si hay una columna de salida. Si la hay, entonces será regresión o clasificación; de lo contrario, será un enfoque basado en agrupamiento si la columna de salida no está disponible.

Después de observar todas estas cosas, el siguiente paso es entender completamente las características de los datos. Después de leer sobre las características, los investigadores pueden interpretar fácilmente las más importantes que pueden ayudar en la transformación de ingeniería de características.

Temas a cubrir:

1. Modelo de regresión softmax sin utilizar ninguna transformación
2. Modelo de regresión softmax utilizando la transformación logarítmica para columnas de distribución sesgada.
3. Modelo de regresión softmax utilizando el escalado de características.

La siguiente parte es visualizar los datos.

Ejemplo de regresión softmax con Python:

import numpy as np import pandas as pd import seaborn as snsimport matplotlib.pyplot as pltfrom…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!