如何在 python 中使用 softmax 输出进行神经网络和机器学习来解释多项 Logit 模型？ [复制]

Posted 2023-02-23

【中文标题】如何在 python 中使用 softmax 输出进行神经网络和机器学习来解释多项 Logit 模型？ [复制]

【英文标题】：How to use softmax output in python for neural-network and machine-learning to interpret Multinomial Logit Model? [duplicate]

【发布时间】：2020-06-14 08:44:00

【问题描述】：

它涉及使用 softmax 函数输出进行机器学习和神经网络来理解和解释多项 Logit 模型。

【问题讨论】：

这能回答你的问题吗？ How to implement the Softmax function in Python

我愿意接受你所有的想法。

您的回答和贡献很棒，但没有回答我的问题。为什么？因为你的答案和想法与我不同。

你觉得拉苏克怎么样？我想听听您对这个问题的想法和贡献。

【参考方案1】：

Softmax 函数是神经网络中深度学习中使用的最重要的输出函数之一（请参阅 Uniqtech 的《Understanding Softmax in minute》）。 Softmax 函数适用于存在三类或更多类结果的情况。 softmax 公式将 e 提高到每个值 score 的指数分数，然后除以 e 提高的指数分数值的总和。例如，如果我知道这四个类的Logit分数为：[3.00, 2.0, 1.00, 0.10]，为了得到概率输出，可以应用softmax函数如下：

将 numpy 导入为 np

def softmax(x):

z = np.exp(x - np.max(x)) 返回z / z.sum() 分数 = [3.00, 2.0, 1.00, 0.10]

print(softmax(scores))

输出：概率 (p) = 0.642 0.236 0.087 0.035

所有概率的总和 (p) = 0.642 + 0.236 + 0.087 + 0.035 = 1.00。您可以尝试将上述分数中您知道的任何值替换为不同的值。所有值或概率的总和将等于 1。这是有道理的，因为所有概率的总和等于 1，从而将 Logit 分数转换为概率分数，这样我们就可以更好地预测。最后，softmax 的输出，可以帮助我们理解和解释 Multinomial Logit Model。如果您喜欢这些想法，请在下方留下您的 cmets。

【讨论】：

我愿意接受您对上述问题的所有想法和贡献。