根据文档，可以为SGDClassifier指定不同的损失函数。据我所知，log loss是一种cross-entropy损失函数，理论上可以处理软标签，即以某些概率[0,1]给出的标签。

问题是：是否可以直接使用带有log loss函数的SGDClassifier来处理带软标签的分类问题？如果不能——如何使用scikit-learn解决这个任务（在软标签上的线性分类）？

更新：

由于target的标记方式和问题的性质，硬标签无法取得好的结果。但这仍然是一个分类问题（不是回归），我希望保留prediction的概率解释，因此回归方法也不适用。交叉熵损失函数可以自然处理target中的软标签。似乎scikit-learn中所有线性分类器的损失函数只能处理硬标签。

所以问题可能是：

如何为SGDClassifier指定自己的损失函数，例如。看起来scikit-learn在这里没有采用模块化方法，需要在其源码中进行一些更改

回答：

根据文档，

‘log’损失提供逻辑回归，这是一种概率分类器。

一般来说，损失函数的形式为Loss( prediction, target )，其中prediction是模型的输出，target是真实值。在逻辑回归的情况下，prediction是(0,1)上的值（即“软标签”），而target是0或1（即“硬标签”）。

所以回答你的问题，取决于你是指prediction还是target。一般来说，标签的形式（“硬”或“软”）由选择的prediction算法和手头target的数据决定。

如果你的数据有“硬”标签，并且你希望模型输出“软”标签（可以设定阈值得到“硬”标签），那么是的，逻辑回归属于这一类别。

如果你的数据有“软”标签，那么你需要选择一个阈值将它们转换为“硬”标签，然后使用典型的分类方法（即逻辑回归）。否则，你可以使用回归方法，其中模型被拟合以预测“软”目标。在后一种方法中，你的模型可能会给出(0,1)之外的值，这需要处理。