逻辑回归模型是用于二类分类的机器学习模型（不要说逻辑回归可以做多类分类啊喂，那是二类分类器的组合策略问题，而与逻辑回归分类器本身的构造没有半毛钱关系啊）。

我们知道，在逻辑回归中，用于预测样本类别的假设函数为

（小夕要讲大事，忽略偏置项参数和向量转置这种细节啦）,其中sigmoid函数的图像看起来是这样的：

因此，我们将的样本预测为正类别（记为类别1），将的样本预测为负类别（记为类别0）。因此对于sigmoid(z)函数来说，z=0的点就是用来分类的临界点。所以在逻辑回归中，的点就是分类的临界点。

可是你有想过为什么吗？（是的，这并不是拍脑袋决定的）

如果觉得小夕的这种问法很奇怪，那小夕换一种问法，你知道是代表什么意思吗？它难道仅仅代表了“特征向量与模型参数做内积”这么肤浅的含义吗？

听小夕慢慢讲，手指慢慢划，跟上思路哦。

首先，模型参数是个向量，维数与样本的维数一致（忽略偏置项这种细节问题啦）,为了好看，下文用w来代替。

我们来好好看看这个所谓的模型参数w。这个w在本质上是，记为。诶？怎么能这样呢？如何理解被拆出来的这两个w呢？

其实只要把这个向量看作是对类别1的直接描述，将向量看作是对类别0的直接描述，新世界的大门就打开了。还记得前面小夕讲的，在逻辑回归模型中，本质上用来预测类别的临界点就是，也就是，这代表什么意思呢？

我们知道，对于向量a和向量b，假设它们的长度都为1，那么当向量a与向量b夹角最小时，它们的内积，也就是会最大。当然了，推广到更一般的说法，不限制a与b的长度，则当a与b夹角最小时，我们称a与b的余弦相似度最大

而两向量的夹角越小意味着什么呢？意味着这两个向量越相似呀，意味着越亲密呀。所以就意味着类别1与特征向量x的亲密度减去类别0与x的亲密度。因此当逻辑回归的假设函数时，也就是时，就代表着特征向量x，也就是样本，与类别1更亲密，因此类别预测为1。同样的道理，当x与类别0更亲密时，类别预测为0。

继续，我们将上述神奇的逻辑放到逻辑回归模型的假设函数的展开式中，将替换为我们上面的得：

等等，有没有惊恐的发现什么？还记得小夕在上一篇文章《逻辑回归》中得到的这个结论吗？：

天呐，逻辑回归的假设函数竟然与P(Y=1|X)一模一样！都是！！这个sigmoid函数到底是什么？一切真的都是因为巧合吗？不行，小夕非要一探究竟！来，手术刀拿来，解剖！

Sigmoid

为了美观，我们直接用w1代替，用w0代替：

如果我们令分子分母同除以。。。得：

！！！有没有被震惊到！
小夕在前面讲了，w1与x的内积代表着w1与x的亲密度，这个不就代表着“类别1与x的亲密度占x与所有类别亲密度之和的比例”吗？
既然是比例，那肯定是0到1之间的数呀~而这个比例又可以解读为什么呢？不就是类别1在x心中的分量吗？当类别1在x心中的分量超过类别0在x心中的分量时，我们的逻辑回归模型当然要把类别1嫁给x呀~也就是将类别1作为预测的类别！
同时，这个分量越大，我们将类别1嫁给x后，会让x满意的概率就越大！所以这个比例又是类别1的后验概率P(y=1|x)呀！

看，一切都不是巧合吧。Sigmoid函数的意义，竟然如此深邃。
等等，虽然sigmoid(w1·x)代表"类别1与x的亲密度占x与所有类别亲密度之和的比例"，但是显然这里只有两个类别，即1和0，也就是说Sigmoid是一个只能用于二类分类的函数。
那么如果我们要分类的类别超过2，我们能不能同样用一个函数来表示出“某类别与x的亲密度占x与所有类别亲密度之和的比例”呢？

Softmax

这一次，我们倒着来！假如我们的分类任务有k个类别，与前面用w1、w0来表示类别1、类别2一样，我们用w1、w2、w3...wk来表示各个类别。

根据前面的经验，这个“类别j与特征向量x的亲密度”貌似可以表示为，那么我们效仿一下sigmoid，类别j与x的亲密度占x与所有类别亲密度之和的比例即: