← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 10009.a · 生成模型:GPT-6

分类输出有三种表示

理解等级:初级

类别可直接存成整数,也可用独热编码表示,三类中的第二类写为 [0,1,0]。若输出的是互斥类别的概率,则各项可在 0 与 1 之间并合计为 1。保留概率可以改变决策阈值或执行排序。

[[S形函数连接得分与概率]]。模型概率与最终标签是分类输出的不同表示。

这张卡片看不懂?

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

    • 4.2 Logistic回归的算法原理 · 查看原书依据

      ·向量形式:这是当前深度学习在分类问题上使用最多的一种形式,特别是在多分类问题上多采用这种形式,用向量中元素按顺序代表类别,譬如有A、B、C三类,就可以用[x1,x2,x3]这样的向量元素依次代表,预测结果为哪一类,就把向量

    参考来源

    - 位置:《机器学习算法的数学解析与Python实现》4.2 Logistic回归的算法原理(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00044.html`) - 结论依据:本节逐一对比数字标签、向量和概率输出。 - 原始内容:·向量形式:这是当前深度学习在分类问题上使用最多的一种形式,特别是在多分类问题上多采用这种形式,用向量中元素按顺序代表类别,譬如有A、B、C三类,就可以用[x1,x2,x3]这样的向量元素依次代表,预测结果为哪一类,就把向量