知识卡片
对数损失惩罚自信错判
设 p 为正类概率,真实标签为 1 时取 −log p,为 0 时取 −log(1−p)。给真实类别的概率越小,惩罚越大。对线性分数使用 sigmoid 配合这种损失,得到关于权重的凸目标。可用梯度下降更新参数。原书单样本合并式的符号有误,以分段式和后续总目标为准。
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4章 回归算法
原书出处 · 1 处
- 回归算法 · 查看原书依据
当模型的输出值与样本目标值越接近时,代价函数的值越趋向于0;反之变大。
参考来源
- 位置:《机器学习观止:核心原理与实践》第04章《回归算法》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter4.xhtml`)。
- 结论依据:第 4.3.1 节用分标签公式和负对数曲线解释目标函数的形状。
- 原始内容:当模型的输出值与样本目标值越接近时,代价函数的值越趋向于0;反之变大。