Как использовать вывод softmax в python для нейронной сети и машинного обучения для интерпретации полиномиальной логит-модели?

Функция Softmax — одна из наиболее важных выходных функций, используемых при глубоком обучении в нейронных сетях (см. «Понимание Softmax за минуту» от Uniqtech). Функция Softmax применяется там, где есть три или более классов результатов. Формула softmax берет e, возведенное в показатель степени каждой оценки значения, и делит его на сумму e, возведенную в число значений показателей степени. Например, если я знаю, что логит-оценки этих четырех классов равны: [3,00, 2,0, 1,00, 0,10], чтобы получить выходные данные вероятностей, можно применить функцию softmax следующим образом:

1. импортировать numpy как np

2. защита softmax(x):

3. z = np.exp(x - np.max(x))
4. вернуть z/z.sum()
5. баллы = [3,00, 2,0, 1,00, 0,10]

6. печать (softmax (баллы))

7. Выход: вероятности (p) = 0,642 0,236 0,087 0,035

Сумма всех вероятностей (p) = 0,642 + 0,236 + 0,087 + 0,035 = 1,00. Вы можете попробовать заменить любое известное вам значение в приведенных выше оценках, и вы получите другие значения. Сумма всех значений или вероятностей будет равна единице. Это имеет смысл, потому что сумма всех вероятностей равна единице, тем самым превращая логит-оценки в вероятностные, чтобы мы могли лучше прогнозировать. Наконец, вывод softmax может помочь нам понять и интерпретировать полиномиальную логит-модель. Если вам нравятся мысли, пожалуйста, оставьте свои комментарии ниже.