1700534285
1700534286
分析与解答
1700534287
1700534288
使用哪一种办法来处理多分类的问题取决于具体问题的定义。首先，如果一个样本只对应于一个标签，我们可以假设每个样本属于不同标签的概率服从于几何分布，使用多项逻辑回归（Softmax Regression）来进行分类
1700534289
1700534290
1700534291
，
1700534292
1700534293
（3.15）
1700534294
1700534295
1700534296
1700534297
1700534298
1700534299
其中为模型的参数，而可以看作是对概率的归一化。为了方便起见，我们将这k个列向量按顺序排列形成n×k维矩阵，写作θ，表示整个参数集。一般来说，多项逻辑回归具有参数冗余的特点，即将同时加减一个向量后预测结果不变。特别地，当类别数为2时，
1700534300
1700534301
1700534302
．
1700534303
1700534304
（3.16）
1700534305
1700534306
利用参数冗余的特点，我们将所有参数减去θ1，式（3.16）变为
1700534307
1700534308
1700534309
1700534310
1700534311
1700534312
，
1700534313
1700534314
（3.17）
1700534315
1700534316
1700534317
其中。而整理后的式子与逻辑回归一致。因此，多项逻辑回归实际上是二分类逻辑回归在多标签分类下的一种拓展。
1700534318
1700534319
当存在样本可能属于多个标签的情况时，我们可以训练k个二分类的逻辑回归分类器。第i个分类器用以区分每个样本是否可以归为第i类，训练该分类器时，需要把标签重新整理为“第i类标签”与“非第i类标签”两类。通过这样的办法，我们就解决了每个样本可能拥有多个标签的情况。
1700534320
1700534321
1700534322
1700534323
1700534324
百面机器学习：算法工程师带你去面试 [:1700532186]
1700534325
百面机器学习：算法工程师带你去面试 03 决策树
1700534326
1700534327
1700534328
1700534329
场景描述
1700534330
1700534331
时间：早上八点，地点：婚介所。
1700534332
1700534333
“闺女，我又给你找了个合适的对象，今天要不要见一面？”
1700534334