多类分类和 sigmoid 函数
Multiclass classification and the sigmoid function
假设有一个训练集 Y：
1,0,1,0
0,1,1,0
0,0,1,1
0,0,1,0
而 sigmoid 函数定义为：
由于 sigmoid 函数输出的值介于 0 和 1 之间，这是否意味着我们尝试预测的训练数据和值也应该介于 0 和 1 之间？
当训练集值不在 0 和 1 之间时，使用 sigmoid 函数进行预测是否也正确？ :
1,4,3,0
2,1,1,0
7,2,6,1
3,0,5,0
Yes, it is perfectly valid have non binary features.
由于 sigmoid function 的性质，输出介于 0 和 1 之间，没有什么可以阻止您拥有非二进制特征集。
预测必须是二进制的吗？
Yes, you can have multiclass logistic classification as well.
最简单的方法是解决一对一分类问题，其中为每个标签训练一个二元逻辑分类器。
例如。如果你的预测 space 跨越 (1, 2, 3, 4)，你可以有 4 个逻辑分类器。
给定测试集中的任何点，您可以为其指定与最有信心的分类器对应的标签（即该测试点的得分最高）。
假设有一个训练集 Y：
1,0,1,0
0,1,1,0
0,0,1,1
0,0,1,0
而 sigmoid 函数定义为：
由于 sigmoid 函数输出的值介于 0 和 1 之间，这是否意味着我们尝试预测的训练数据和值也应该介于 0 和 1 之间？
当训练集值不在 0 和 1 之间时，使用 sigmoid 函数进行预测是否也正确？ :
1,4,3,0
2,1,1,0
7,2,6,1
3,0,5,0
Yes, it is perfectly valid have non binary features.
由于 sigmoid function 的性质，输出介于 0 和 1 之间，没有什么可以阻止您拥有非二进制特征集。
预测必须是二进制的吗？
Yes, you can have multiclass logistic classification as well.
最简单的方法是解决一对一分类问题，其中为每个标签训练一个二元逻辑分类器。
例如。如果你的预测 space 跨越 (1, 2, 3, 4)，你可以有 4 个逻辑分类器。
给定测试集中的任何点，您可以为其指定与最有信心的分类器对应的标签（即该测试点的得分最高）。