知识卡片
指数损失最优是半对数胜算
集成打分 H 由多轮基学习器的加权分数相加,分类使用其符号。固定输入,令正类概率为 p,指数风险为 p exp(−H)+(1−p) exp(H)。当 0,极小值处 H 是正负后验胜算对数的一半,所以其符号对应零一损失的贝叶斯决策。当 p 为零或一,最优有限分数可能不存在。
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
- · 第8章 集成学习
原书出处 · 1 处
- 第8章 集成学习 · 查看原书依据
由函数的单调性可知,该分类器的权重只与分类器的错误率负相关(即错误率越大,权重越低),指数损失函数的意义如下.
参考来源
- 位置:《机器学习公式详解》第8章 集成学习(book-source:`extracted/机器学习公式详解/_epub-src/text/part0014.html`,式(8.5))
- 结论依据:式(8.5)至(8.8)对固定输入的指数风险求导,得到后验赔率。
- 原始内容:由函数的单调性可知,该分类器的权重只与分类器的错误率负相关(即错误率越大,权重越低),指数损失函数的意义如下.