首页
首页
沸点
课程
直播
活动
竞赛
商城
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
欧阳胖胖
掘友等级
获得徽章 9
动态
文章
专栏
沸点
收藏集
关注
作品
赞
2K
文章 1.1K
沸点 866
赞
2K
返回
|
搜索文章
最新
热门
机器学习基础-监督学习-目标函数之余弦相似度损失(Cosine Similarity Loss)
余弦相似度损失(Cosine Similarity Loss)用于衡量两个向量之间的余弦相似度,常用于度量两个向量的相似程度。
机器学习基础-监督学习-目标函数之均方误差(Mean Squared Error,MSE)
均方误差(Mean Squared Error,MSE)是在回归问题中常用的目标函数,用于衡量预测值与真实值之间的平均差异。下面将详细讲解均方误差,并提供相应的公式和代码示例。
机器学习基础-监督学习-标签编码之标签映射(Label Encoding)
标签映射(Label Encoding)是一种常见的标签编码方法,将每个标签都映射为一个整数,常用于分类问题。在标签数量较少的情况下,标签映射可以简单有效地将标签转换为数字表示。
机器学习基础-监督学习-目标函数之平均绝对误差(Mean Absolute Error,MAE)
平均绝对误差(Mean Absolute Error,MAE)是一种用于衡量回归问题中预测值与真实值之间平均绝对差异的目标函数。它可以衡量预测值与真实值之间的平均误差大小,具有较好的鲁棒性。
机器学习基础-监督学习-目标函数之均方根误差(Root Mean Squared Error,RMSE)
均方根误差(Root Mean Squared Error,RMSE)是一种广泛应用于回归问题的评估指标,它衡量了预测值与真实值之间的平均差异。
机器学习基础-监督学习-目标函数之Hinge损失(Hinge Loss)
Hinge 损失(Hinge Loss)通常用于支持向量机(Support Vector Machine,SVM)算法中的分类问题。它鼓励正确分类的边界离样本更远,同时惩罚错误分类的边界。
机器学习基础-监督学习-标签编码之哈希编码(Hash Encoding)
哈希编码(Hash Encoding)是一种将标签映射为固定长度的二进制数的编码方法,其中相同的标签映射为相同的二进制数,不同的标签映射为不同的二进制数。
机器学习基础-监督学习-目标函数之KL散度(Kullback-Leibler Divergence)
KL 散度(Kullback-Leibler Divergence),也称为相对熵(Relative Entropy),是用来衡量两个概率分布之间的差异。
机器学习基础-监督学习-逻辑回归之多元逻辑回归
多元逻辑回归是逻辑回归在多类分类问题上的扩展。在多元逻辑回归中,我们通过使用 softmax 函数将输入特征映射到多个类别的概率分布。
机器学习基础-监督学习-标签编码之独热编码(One-Hot Encoding)
独热编码(One-Hot Encoding)是一种常用的标签编码方法,通常用于将标签转换为适合机器学习算法使用的格式。
下一页
个人成就
文章被点赞
123
文章被阅读
51,694
掘力值
5,108
关注了
6
关注者
164
收藏集
1
关注标签
1
加入于
2016-06-07