如何对多个模型的输出执行SoftMax？

Question

我希望将8个班级分类。

我没有构建8类分类器，而是构建了8个二进制分类器。每个二进制分类器将一个类与其他三个类区分开来。例如，(0 vs 1+2+3+4+5+6+7)和(1 vs 0+2+3+4+5+6+7)等

如何运行SoftMax函数来识别哪个分类器预测的'class 0‘置信度最高？

​

有没有人能帮上忙呢？

Answer 1

我写了一个不同的图表

​

​

现在让我们来看看你有什么，看看你是否需要一个softmax。

首先，我的假设是你们的分类器是完全相同的。

假设你通过你的模型推送一条记录，你会得到如下结果

P0=0.4 P_NOT_0=P1+P2+P3=0.6

P1=0.3 P_NOT_1=P0+P2+P3=0.7

P2=0.2 P_NOT_2=P0+P1+P3=0.8

P3=0.1 P_NOT_3=P0+P1+P2=0.9

你可能会认为我为了制作P0+P1+P2+P3=1而“伪造”了数字，但我没有。没有其他可能的输出。

如果你不相信我，那就这么做。为P0选择一个值，并在所有公式中替换它。然后对P1、P2和P3执行相同的操作。您将看到，除非使用P0+P1+P2+P3=1，否则不可能使所有公式都为真。

基本上，如果所有分类器都相同，则所有公式中P0、P1、P2和P3的值都相同。

现在，回到你的问题上。你不需要softmax，因为P1+P2+P3+P4已经被标准化了。

我不知道你到底在做什么，但如果你只是在做一个多类分类模型，为什么不让每个类有一个输出，然后最后使用softmax呢？

你在写代码的时候还需要帮助吗？

@andrey (在评论中)也带来了一些好的观点。首先，总会有一个错误，其次，如果你使用sigmoid作为每个分类器的输出，它们并不是真正的概率，但这个想法仍然适用。