1. 다중 클래스 분류(Multi-class Classification)
: 3개 이상의 선택지 중 하나를 고르는 문제
확률의 총 합이 1인 예측값을 얻도록 하는 것
2. 소프트맥스 함수(Softmax function)
선택해야 하는 선택지의 총 개수를 k라고 할 때, k차원의 벡터를 입력받아 각 클래스에 대한 확률 추정
분류하고자 하는 클래스가 k개일 때, k차원의 벡터를 입력받아서 모든 벡터 원소의 값을 0과 1사이의 값으로 변경하여 다시 k차원의 벡터를 반환
: 벡터의 차원 = 분류하고자 하는 클래스의 개수
3. 원-핫 벡터의 무작위성
- 정수 인코딩: 순서의 의미가 없는 분류 문제에서는 오차의 오류가 발생
- 원-핫 인코딩: 분류 문제 모든 클래스 간의 관계를 균등하게 분배
4. 비용 함수(Cost function)
ㄴ y-hat이 y를 정확하게 예측한 경우, 크로스 엔트로피 함수의 값은 0이 됨
ㄴ 소프트맥스 함수의 최종 비용 함수에서 k가 2라고 가정하면 결국 로지스틱 회귀의 비용 함수와 같음
5. 인공 신경망 다이어그램