Представьте, что вы играете в игру, в которой вам нужно поразить цель дротиком. Цель состоит в том, чтобы бросить дротик как можно ближе к центру мишени. Но, как и в любой игре, вы не всегда будете точно попадать в яблочко; ваши броски будут иметь некоторое расстояние от центра. Функция потерь похожа на меру того, насколько далеко ваш дротик находится от центра мишени. Он говорит вам, насколько вы пропустили яблочко. Чем ближе ваш дротик к центру, тем меньше проигрыш и тем лучше вы..

Почему мы не можем использовать среднеквадратичную ошибку (MSE) в качестве функции стоимости для логистической регрессии?

В этой истории сначала мы обсудим, как происходит обучение с помощью Perceptron Kernal Trick . Начнем со случайной строки. мы применяем цикл каждый раз, когда спрашиваем точку, правильно ли она классифицирована или нет. Если оно правильно классифицировано, ничего не делайте, если нет, то примените преобразование, чтобы приблизить это время к этой неправильно классифицированной точке. Итак, это основная теория этого трюка с персептроном. Как вы можете видеть на рисунке выше...

Функции потерь в платформах машинного обучения и глубокого обучения играют жизненно важную роль в определении того, насколько хорошо модель машинного обучения будет работать с невидимыми данными. Потеря может быть как минимизирована, так и максимизирована для различных задач классификации и регрессии в машинном обучении. Согласно Википедии ( Функция потерь — Википедия ), в математической оптимизации и теории принятия решений функция потерь или функция стоимости (иногда также называемая..

Персептрон, оптимизация, регуляризация, потеря шарнира, граница поля, SVM Это мои учебные заметки о двух дискриминативных подходах к построению линейных классификаторов. Настройка проблемы Использование Perceptron для поиска линейного классификатора Линейная классификация как задача оптимизации Примечание. Я использую цитаты для контента, который имеет отношение к делу, но не является ключевым для основной части. Это больше похоже на заметку для себя. Как показано ниже -..