1. 关于回归和多类分类

分类问题从回归的单输出变成了多输出，这个多输出的个数=类别的个数
置信度：置信度一词来自统计学，而统计学的本质是，用抽样的数据去估计整体的真实分布。例如，样本均值估计整体均值；还有，频率近似概率。而置信度的含义就是，你在用样本估计整体的时候，所得到的结论的“可信程度”，或者说，是对自己所的结论的一个量化的概率评价（打分）

2.从回归到多分类–均方损失

1. 假设有n个类别，那么可以用最简单的一位有效编码来进行编码，标号就是一个长为n的向量。这个向量中，只有一个元素为1，对应的下标是第i个类别，其余元素为0。
2. 如果训练出了一个模型，在做预测的时候，选取i使得最大化Oi的置信度的值作为预测，这个i就是预测的标号

3. 从回归到多类分类–无校验比例

正确类y的置信度oy要远远大于其他非正确类的oi，写成数学就是希望oy-oi要大于某一个阈值（oi是预测其他类的概率，oy是预测正确类的概率）

4. 从回归到多类分类–校验比例

希望使得输出是一个概率，现在的输出是o1～on的向量，将softmax作用到o上看，得到一个长为n的向量y_hat，每个元素非负，且相加为1.

5. softmax 和 交叉熵损失

解释： 假设标签y将是一个三维向量， 其中（1，0，0）对应于“猫”、（0，1，0）对应于“鸡”、（0，0，1）对应于“狗”：

现在去预测一个样本，假设这个样本是鸡，也就是真实的概率是y=[0，1，0]，而我们经过softmax预测之后得到的预测概率是y_hat= [0.1，0.8，0.1]，那么：

损失函数l（y，y_hat） = -0* 0.1 - 1* 0.8 - 0* 0.1 = -1 * 0.8 ， 得到的就是对于真实类别y预测得到的概率y_hat。因为真实样本向量中只有一个为1，其余为0，那么上图中的计算结果中的右下角的y就是表示，这个样本的真实类别y。

对于真实类别的预测值求log，再求负数，所以可以看出，对分类问题来讲，不关心对对于非正确类的预测值，我们只关心对于正确类的预测值，它的置信度要够大

下面对于如何得到梯度的过程进行展开：

最后，根据计算结果可以发现，梯度就等于预测概率和真实概率的差值。

6. 总结

• softmax回归是一个多类分类问题
• 使用softmax操作值得到每个类的预测置信度（概率，非负，和相加为1）
• 使用交叉熵来衡量预测和标号的区别（用交叉熵做损失函数）