1. Fungsi softmax #

Diberikan $z=(z_1,\dots,z_K)$:

$$ \mathrm{softmax}(z_i) = \frac{\exp(z_i)}{\sum_{j=1}^{K} \exp(z_j)} \quad (i=1,\dots,K) $$

• Keluaran di [0,1]
• Menjumlah 1 antar kelas
• Dapat ditafsir sebagai probabilitas

2. Model #

Untuk $x$, skor kelas $k$:

$$ z_k = w_k^\top x + b_k $$

Probabilitas:

$$ P(y=k\mid x) = \frac{\exp(w_k^\top x + b_k)}{\sum_{j=1}^{K} \exp(w_j^\top x + b_j)} $$

Dilatih dengan cross-entropy multinomial.

3. Coba di Python #

Gunakan LogisticRegression dengan multi_class="multinomial".

import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification

X, y = make_classification(
    n_samples=300,
    n_features=2,
    n_classes=3,
    n_informative=2,
    n_redundant=0,
    n_clusters_per_class=1,
    random_state=42
)

clf = LogisticRegression(multi_class="multinomial", solver="lbfgs")
clf.fit(X, y)

x_min, x_max = X[:,0].min()-1, X[:,0].max()+1
y_min, y_max = X[:,1].min()-1, X[:,1].max()+1
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 200),
                     np.linspace(y_min, y_max, 200))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)

plt.figure(figsize=(8, 6))
plt.contourf(xx, yy, Z, alpha=0.3, cmap=plt.cm.coolwarm)
plt.scatter(X[:,0], X[:,1], c=y, edgecolor="k", cmap=plt.cm.coolwarm)
plt.title("Klasifikasi softmax (logistik multinomial)")
plt.show()

4. Catatan #

• Probabilitas yang cocok untuk pengambilan keputusan
• Batas keputusan linear di ruang fitur
• Skala fitur penting; tambahkan transformasi nonlinier bila perlu

5. Penggunaan #

• Teks (topik multikelas)
• Gambar (digit 0–9, dll.)
• Niat pengguna (satu dari beberapa)

Ringkasan #

• Softmax menggeneralisasi logistik ke multikelas.
• Menghasilkan distribusi probabilitas yang valid.
• Di scikit-learn, multi_class="multinomial".
• Baseline sederhana namun kuat untuk banyak tugas.