知识卡片
对数损失与分类边界
设带符号间隔 t=l(w·x+b),标签 l 为 −1 或 1。感知机损失 max(−t,0) 在 t≥0 时为零;对数损失 log(1+e⁻ᵗ) 即使 t>0 仍为正,但随间隔增大而趋近零,能继续推动正确分类的样本远离边界。它在负间隔很大时近似 −t,导数为 −1/(1+eᵗ)。书中代码截断前向指数防溢出,但当截断生效时,返回的原公式导数与截断后前向函数的导数不一致。
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
- 逻辑回归 4.1 对数损失函数 · 查看原书依据
感知机损失的图形在原点处有一个硬转折
参考来源
- 位置:《用Python实现深度学习框架》第4章《逻辑回归》,4.1 对数损失函数(来源项目 book-source:`extracted/用Python实现深度学习框架/_epub-src/text/part0000_split_035.html`)
- 结论依据:原文比较损失曲线、推导 Logistic 和二分类阈值;概率互补式勘误可由 1−σ(z) 的代数变形核对。
- 原始内容:感知机损失的图形在原点处有一个硬转折。