[신경망기초] 소프트맥스회귀분석
•
0 likes•1,848 views
다층 퍼셉트론과 같이 시그모이드 함수를 도입한 정합 방법입니다. 분류 문제를 위해 신경망의 출력단으로 사용되므로 사용빈도가 매우 높습니다.
Recommended
More Related Content
What's hot
What's hot (20)
Similar to [신경망기초] 소프트맥스회귀분석
Similar to [신경망기초] 소프트맥스회귀분석 (20)
More from jaypi Ko
More from jaypi Ko (20)
[신경망기초] 소프트맥스회귀분석
- 1. 소프트맥스 회귀분석 딥러닝을 위한 신경망 기초 nonezerok@gmail.com 다층 퍼셉트론과 같이 시그모이드 함수를 도입한 정합 방법입니다. 분류 문제를 위해 신경망의 출력단으로 사용되므로 사용빈도가 매우 높습니다.
- 2. 2 2클래스 분류 / 다중 클래스 분류를 위한 로지스틱 / 소프트맥스 회귀분석
- 3. Odds Ratio 3 신경망 출력을 0~1 사이로 만들 수 있으면, 왠지 멋진 Cross-Entropy를 손실함수로 사용할 수 있다. 아주 특별한 비율;식 이라 이름도 있다.
- 4. Logit function 4 입력 출력 0 ~ 1 +∞ −∞ 여기에 로그를 취하면 더욱 특별한 식이 된다. 당연히 이름이 있다. 입력이 0~1사이이고, 출력은 무한대
- 5. Logit의 출력을 선형회귀의 출력으로 간주 5 입력 출력 +∞ −∞ 선형회귀가 찾은 함수 ※log-linear model 확률에 로그를 취했는데, 이 확률과 관련된 변수가 선형식으로 표현되는 모델
- 7. 7 선형회귀의 출력을 확률로 간주할 수 있다! + +∞−∞
- 8. Sigmoid function 8 positive class negative class 0.5 Odd Ratio에 관한, Log-linear 모델을 p에 대해 정리한 것 0.5를 기준으로 2가지 구분
- 9. + = 1 1 + 9 절편 b를 변화시키면, 위치 이동
- 10. + = 1 1 + 10 가중치 w를 변화시키면, 경사 조정
- 11. 11 0 클래스 샘플들 1 클래스 샘플들 빨간 함수로 두 클래스 샘플들을 잘 정합할 수 있음
- 12. Logistic Regression for 2-class Classification 12 1 로짓 함수에서 유래된 시그모이드 함수를 사용하여, 2가지를 구분/분류; 실제로는 정합하도록 학습하는 방법 (이진 분류 문제에 적용)
- 13. 13 Loss function: = − ∑ + 1 − 1 − Activation () = ∈ 0, 1 1 Cross-Entropy를 Loss 함수로 사용
- 14. Softmax Regression for Multi-class Classification 14 1 ⋮ + + ⋯ + + + ⋯ + + + ⋯ + 시그모이드 함수 결과를 정규화해서 K개를 분류 (다중 클래스 분류 문제에 적용)
- 15. 15 Loss function: = − ∑ ∑ () = ∑ = 0 0 1 0 0 0 0 0 0 0 1 ⋮ + + ⋯ + + + ⋯ + + + ⋯ + Softmax Function one-hot encoding
- 16. 16 = + ∆ ∆ = − = 1 − − , 학습 Squared-Loss와 동일한 식으로 유도