我的理解是Softmax迴歸是Logistic迴歸的一般化，以支持多個類。Logistic迴歸直接支持多個類
Softmax迴歸模型首先計算每個類的分數，然後通過將softmax函數應用於分數來估計每個類的概率。
每個班級都有自己的專用參數向量
我的問題：爲什麼我們不能用Logistic迴歸分類到多個類的更簡單的方法一樣，如果概率是0到0.3，然後A類; 0.3至0.6然後B類：0.6至0.9然後C類等
爲什麼單獨的係數矢量總是需要的？
我是ML新手。不確定這個問題是否由於缺乏任何基本的概念理解。
首先，就術語而言，我認爲一個更爲確定的術語是multinomial logistic regression。
Softmax函數是計算概率的自然選擇，因爲它是corresponds to MLE。 Cross-entropy loss也有概率解釋 - 這是兩個分佈（輸出和目標）之間的「距離」。 建議您以人工方式區分類 - 輸出二進制分佈，並以某種方式將其與多類分佈進行比較。從理論上講，這是可能的，也可能有效，但肯定有缺點。例如，訓練很難。
假設輸出爲0.2（即A類），地面實況爲B類。您想告訴網絡向更高的值移動。下一次，輸出是0.7 - 網絡實際上學習並朝着正確的方向移動，但是您再次處罰它。事實上，有不穩定的點（在你的例子中爲0.3和0.6），網絡需要時間來學習關鍵的點。兩個值 - 0.2999999和0.3000001對於網絡幾乎沒有區別，但它們確定結果是否正確。
一般來說，輸出作爲概率分佈總是比直接歧視更好，因爲它提供了更多信息。