李宏毅机器学习_分类_Logistic回归_4_2 paddlepaddle
交叉熵损失函数，最小就是，如果分布完全一样那就是0，这个就是针对分类的专门函数线性回归和逻辑回归的梯度更新公式是一模一样的逻辑回归如果用最小二乘的方式求损失函数，梯度更新的时候会导致出现很多0梯度变化不明显，不容易迭代判断得到最优解判别模型的效果是要比生成式的模型效果要好，生成式是假设服从某个分布，跟数据的相关性更弱一些。生成式模型有自己的分布假设需要更少的数据，对数据的噪声不敏感些，把整个函数拆
交叉熵损失函数，最小就是，如果分布完全一样那就是0，这个就是针对分类的专门函数
线性回归和逻辑回归的梯度更新公式是一模一样的
逻辑回归如果用最小二乘的方式求损失函数，梯度更新的时候会导致出现很多0
梯度变化不明显，不容易迭代判断得到最优解
判别模型的效果是要比生成式的模型效果要好，生成式是假设服从某个分布，跟数据的相关性更弱一些。
生成式模型有自己的分布假设需要更少的数据，对数据的噪声不敏感些，把整个函数拆成两项，可以来自不同的来源，语音辨识，语言和声音信号的融合。
多分类同样可以假设服从高斯分布推到出来，让大的更大，小的更小。用多维度的坐标进行分类，不用1，2，3放在类别的远近出现干扰。
线性函数，针对不能线性可分的时候，不好处理
通过转换函数，变成线性可分。
通过多个逻辑回归串起来实现转换
多个线性函数串起来实现非线性数据的分类，就是所谓的神经元进入深度学习。
本质上深度学习只是做了自动特征提取的工作而已，让线性不可分的特征变得线性可分，讨论还是之前的套路。
https://aistudio.baidu.com/aistudio/education/group/info/1978
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
1
0- 0
已为社区贡献11条内容
所有评论(0)