逻辑回归与Softmax的区别
一句话总结核心关系：逻辑回归是 Softmax 回归的二分类特例，Softmax 回归是逻辑回归的多分类推广 。 二者本质都是广义线性模型 ，用于分类任务，核心都是通过线性组合特征 + 激活函数输出概率，区别主要体现在适用场景、输出形式、函数设计上。
一、核心区别对比（最直观）
| 维度 | 逻辑回归 (Logistic Regression) | Softmax 回归 (Softmax Regression) |
|---|---|---|
| 适用任务 | 严格二分类（2 个类别） | 多分类（≥3 个类别） |
| 激活函数 | Sigmoid 函数 | Softmax 函数 |
| 输出结果 | 1 个概率值（0~1） | N 个概率值（N = 类别数，总和 = 1） |
| 概率含义 | 输出 = 正类概率，负类概率 = 1 - 输出 | 每个输出对应一个类别的概率，互斥穷尽 |
| 损失函数 | 二元交叉熵损失 | 多元交叉熵损失 |
| 参数数量 | 1 组权重 + 偏置 | N 组权重 + 偏置（N = 类别数） |
二、逐点详细解释
1. 适用场景：二分类 vs 多分类
-
逻辑回归 ：只能分两类，是最基础的分类模型。 例：判断邮件是否为垃圾邮件、患者是否患病、图片是否为猫。
-
Softmax 回归 ：可以分任意多类，是多分类的标准模型。 例：手写数字识别（0-9，10 类）、图像分类（猫 / 狗 / 鸟，3 类）、新闻分类（体育 / 娱乐 / 科技 / 财经）。
2. 激活函数：Sigmoid vs Softmax
这是二者最核心的函数区别：
-
Sigmoid（逻辑回归） 把线性输出
z压缩到[0,1]，输出单个概率 ：仅能表示一个类别的概率，另一类概率用
1-输出推导。 -
Softmax（Softmax 回归） 把多个线性输出 （每个类别对应一个输出）归一化为概率分布，所有类别概率之和 = 1 ：
3. 输出结果
-
逻辑回归：输出 1 个值（如 0.8），代表「正类概率 80%，负类 20%」。
-
Softmax：输出 N 个值（如 0.1, 0.7, 0.2），分别对应 3 个类别的概率，总和为 1。
4. 损失函数
-
逻辑回归 ：二元交叉熵，仅计算正类的预测损失。
-
Softmax ：多元交叉熵，计算所有类别的预测损失，是二元交叉熵的推广。
5. 参数数量
-
逻辑回归 ：只需要1 组参数（权重 w + 偏置 b），划分两个类别的决策边界。
-
Softmax ：需要N 组参数（N = 类别数），每个类别对应一组参数。
三、关键联系：Softmax 退化为逻辑回归
当 Softmax 的类别数 N=2 时，它会完全等价于逻辑回归：
-
Softmax 的两个概率化简后，就是 Sigmoid 函数的输出；
-
多元交叉熵损失会退化为二元交叉熵损失；
-
两组参数会合并为一组，和逻辑回归参数完全对应。
简单说：逻辑回归 = 2 分类的 Softmax 回归。
四、通俗举例
-
逻辑回归 任务：判断一张图片「是猫」还是「不是猫」 输出：
0\.9→ 90% 是猫，10% 不是猫 -
Softmax 回归 任务：判断一张图片「是猫 / 狗 / 鸟」 输出：
\[0\.85, 0\.1, 0\.05\]→ 85% 猫，10% 狗，5% 鸟
总结
-
核心关系 ：逻辑回归是 Softmax 的二分类特例 ，Softmax 是逻辑回归的多分类扩展；
-
使用选择：二分类用逻辑回归，多分类用 Softmax；
-
本质共性：都是基于概率的线性分类模型，核心都是输出类别概率做预测。