Il prossimoProssima guida
Classificazione audio YAMNet
Tecnico
GUIDA TECNICA
La regressione Softmax estende la regressione logistica a classi mutuamente esclusive assegnando a ciascuna classe un punteggio e convertendo tutti i punteggi in probabilità che si sommano a uno.
Ascolta questa guidaNarrato dall'IA · ~3 min
Fornisce una regola decisionale lineare interpretabile sulla scala del punteggio, sebbene la sua qualità di probabilità e il comportamento specifico della classe richiedano ancora una valutazione.
In binary logistic regression, a linear score is transformed into a probability. For K mutually exclusive classes, softmax regression assigns one score to each class. Each score is a linear function of the inputs, and softmax exponentiates those scores and divides each exponential by their sum. This produces nonnegative class probabilities that sum to one. The predicted class is commonly the one with the largest probability, but a decision system may use costs or review thresholds instead. Suppose a hypothetical three-class case has scores 2, 1 and 0. Their exponentials are approximately 7.39, 2.72 and 1. The sum is about 11.11, so the probabilities are approximately 0.665, 0.245 and 0.090. The values sum to one because each is normalized by the same denominator. A score difference matters: adding the same constant to every class score leaves the probabilities unchanged. Training typically minimizes multinomial cross-entropy, also called log loss, which penalizes assigning low probability to the observed class. Regularization may be added to control coefficient magnitude. With multiple classes, implementations may parameterize coefficients differently, and some software uses one-versus-rest strategies for particular estimators. Read the selected estimator's documentation before assuming all multiclass logistic models optimize the same objective. Softmax probabilities are not automatically calibrated. A model may rank the most likely class correctly while being systematically overconfident or underconfident. Evaluate classwise recall and precision, confusion matrices, log loss and calibration on data that reflect the deployment population. For imbalanced classes, an overall accuracy score can hide failures on the less common outcomes. Also verify that category order in output arrays matches the library's class labels. The method assumes each case receives one class from the modeled set; multilabel problems, where several labels can occur together, need a different output formulation.
Un ipotetico classificatore di piante assegna punteggi a tre specie dalle misurazioni delle foglie. Softmax converte tali punteggi in probabilità come 0,6, 0,3 e 0,1, la cui somma è uno; la probabilità più grande produce la classe prevista.
Un modello di valutazione del supporto restituisce le probabilità per fatturazione, accesso e categorie tecniche. Un revisore esamina la confusione per classe perché una forte precisione aggregata può nascondere prestazioni deboli per una categoria rara.
Un analista controlla l'output di previsione_proba di scikit-learn insieme a classi_ per confermare che le colonne di probabilità siano allineate con i nomi di categoria previsti anziché fare affidamento su ipotesi sulla posizione delle colonne.
Una squadra calibra le sue probabilità multiclasse su un set sospeso prima di utilizzarle per dare priorità alla revisione manuale. La classe con la maggiore probabilità non è automaticamente una previsione del 70% ben calibrata.
I sistemi multiclasse possono segnalare la qualità della probabilità in modo più trasparente accoppiando le previsioni con controlli di affidabilità per classe e riepiloghi di confusione. I team dovrebbero decidere se l’output guida un’unica scelta automatizzata, una lista ristretta o una revisione umana, perché ogni utilizzo implica costi di errore diversi. Il monitoraggio dovrebbe tenere traccia del mix e delle prestazioni delle classi nei periodi successivi, soprattutto quando cambiano le definizioni delle categorie. I miglioramenti al software possono rendere più facile l’accesso alla diagnostica, ma le probabilità necessitano ancora di essere testate su casi rappresentativi. Un'interfaccia chiara può mostrare incertezza senza suggerire che una classe vincente sia certa semplicemente perché si è classificata prima.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La regressione Softmax estende la regressione logistica a classi mutuamente esclusive assegnando a ciascuna classe un punteggio e convertendo tutti i punteggi in probabilità che si sommano a uno. Fornisce una regola decisionale lineare interpretabile sulla scala del punteggio, sebbene la sua qualità di probabilità e il comportamento specifico della classe richiedano ancora una valutazione.
Softmax divide ogni punteggio esponenziale positivo per il totale, quindi le probabilità tra le classi si sommano a uno.
La classe prevista solitamente è quella con la probabilità maggiore, sebbene i costi decisionali possano modificare una politica.
L'aggiunta di c moltiplica ogni esponenziale per exp(c), che si annulla durante la normalizzazione.
Softmax rappresenta probabilità di classe mutuamente esclusive; i risultati multietichetta richiedono un'altra formulazione.
Le metriche specifiche della classe mostrano gli errori nascosti da un aggregato dominato da classi comuni.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Classificazione audio YAMNet
Tecnico