训练softmax回归模型的代码

训练softmax回归模型通常是在监督学习任务中，比如分类问题。这里是一个基本的Python示例，使用scikit-learn库：

from sklearn.linear_model import LogisticRegression
import numpy as np

# 假设我们有一个二维特征数组X和对应的目标标签y
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])  # 二分类问题，0表示第一类，1表示第二类

# 创建并初始化softmax回归模型（实际上sklearn用的是Logistic Regression）
model = LogisticRegression(multi_class='multinomial', solver='lbfgs')

# 训练模型
model.fit(X, y)

# 预测新的样本
predictions = model.predict(X)

# 打印训练结果和预测结果
print("Training coefficients:", model.coef_)
print("Predictions for X:", predictions)

在这个例子中，`multi_class='multinomial'`指示这是一个多类别问题，`solver='lbfgs'`选择了一种优化方法。训练完成后，模型可以根据输入的特征向量进行预测。