知识卡片
逻辑斯谛代价与正则化
神经网络 _get_cost 中的逻辑斯谛代价函数与第3章逻辑斯谛回归的代价函数一致,a^(i) 是前向传播中某层第 i 单元的 sigmoid 激励输出。加入 L2 正则项降低过拟合(不对偏置单元正则化);L1/L2 都适用于 MLP,书中为简单只用 L2。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 使用人工神经网络识别图像 · 查看原书依据
通过在逻辑斯谛代价函数中加入L2正则化项,我们可得到如下公式: 我们已经实现了一个用于多类别分类的多层感知器,它返回一个包含t个元素的输出向量,我们需要将其与使用独热编码表示的t×1维目标向量进行比较。
参考来源
- 位置:《Python机器学习》第12章《12.3.1 计算逻辑斯谛代价函数》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0158.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:通过在逻辑斯谛代价函数中加入L2正则化项,我们可得到如下公式: 我们已经实现了一个用于多类别分类的多层感知器,它返回一个包含t个元素的输出向量,我们需要将其与使用独热编码表示的t×1维目标向量进行比较。