计算原木损失 '''In this function, we will compute log loss ''' return log_lossdef train(X_tra
浏览 18提问于2021-06-08得票数 0
1回答
实际上，我正在阅读本教程关于deepLearning的文章，特别是关于Logistic回归的文章。你不会只需要这两个中的一个吗？
浏览 0提问于2016-06-30得票数 2
scikit学习的SGDClassifier将其定义为“线性分类器(支持向量机、logistic回归等)和SGD训练。”我从这里了解到，任何线性分类器都可以在这里使用。我想知道，我们如何定义一个特定的线性分类器，用于SGDClassifier的情况。
浏览 0提问于2020-09-21得票数 1
回答已采纳
1回答
据我理解，SGD分类器和Logistic回归似乎相似。损失=对数的SGD分类器实现Logistic回归，损失=铰链实现线性支持向量机。我还了解到logistic回归采用梯度下降作为优化函数，SGD采用随机梯度下降，收敛速度要快得多。但这两种算法中哪一种会在哪种情况下使用？另外，SGD和Logistic回归有什么相似之处，它们又有何不同？
浏览 0提问于2018-09-07得票数 10
2回答
在阅读奥雷利恩·杰伦的书时，我注意到逻辑回归和支持向量机都是以完全相同的方式预测类的，所以我怀疑一定有我遗漏的东西。在Logistic回归一章中，我们可以看到：线性支持向量机分类器模型通过简单计算决策函数w^T · x + b = w_1 x_1 +
浏览 0提问于2018-11-24得票数 1
回答已采纳
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
1回答
科学学习逻辑回归中损失函数的代码是：然而，它似乎不同于对数损失函数的常见形式，即：(请参阅)
有谁能告诉我如何理解
浏览 0提问于2019-04-23得票数 1
回答已采纳
1回答
我的工作是贷款资格监督项目。我使用logistic回归和支持向量机作为两个模型。logistic回归的准确度为0.84，损失函数为0.45。对于支持向量机，精度为0.80，损失函数为0.33。如何比较两种模型(按精度或损失函数)？
浏览 2提问于2022-06-29得票数 0
1回答
在训练logistic回归时，是否有方法在每次迭代中获得损失值？
有一个用于SGDRegressor的工作示例，但是不适用于logistic回归。
浏览 2提问于2021-05-11得票数 4
回答已采纳
3回答
什么是体重衰减？
、、、
在浏览网站上的时，我看到了一段让我有点困惑的段落：
训练网络进行N维分类的常用方法是多项式logistic回归。softmax回归Softmax回归将一个softmax非线性应用于网络的输出，并计算归一化预测和标签的1-热编码之间的交叉熵。对于正则化，我们还将通常的质量衰减损失应用于所有学习变量。模型的目标函数是交叉熵损失和所
浏览 14提问于2017-08-07得票数 2
回答已采纳
我在学习神经网络时，在我的机器学习课本中遇到了这个问题：The output of the sigmoid function may be interpreted as the posterior
probability that为什么sigmoid函数的输出被解释为输入属于某一类的概率
浏览 2提问于2014-02-26得票数 2
当使用logistic回归时，我们使用交叉熵作为损失函数。然而，根据我的理解和https://machinelearningmastery.com/cross-entropy-for-machine-learning/，交叉熵计算如果两个或多个分布是相似的。那么，我的问题是:为什么我们总是可以在回归问题中使用交叉熵，即Bernoulli？实际值和预测值是否总是遵循这样的分布？
浏览 0提问于2021-11-08得票数 1
回答已采纳
我试图在Logistic回归中计算损失函数，但最终得到了一个数学错误。你能帮我纠正这个错误吗？
浏览 12提问于2019-10-12得票数 0
回答已采纳
2回答
我现在对XGBoost中使用的损失函数感到困惑。以下是我感到困惑的地方：
我们有objective，它是需要最小化的损失函数；eval_metric：用来表示学习结果的度量。以objective的两个选项为例，reg:logistic和binary:logistic。对于0/1的分类，通常认为二元逻辑损失或交叉熵是损失函数，对吗？那么这两个选项中的哪
浏览 1提问于2018-11-29得票数 16
2回答
我正在阅读关于SVM的文章，我已经面对了非核化的SVMs只不过是线性分离器的观点。因此，SVM和logistic回归之间的唯一区别是选择边界的标准吗？显然，SVM选择最大边缘分类器，logistic回归是cross-entropy损失最小化的分类器。在某些情况下，SVM的表现要好于logistic回归，反之亦然？
浏览 0提问于2018-05-09得票数 12
回答已采纳
1回答
我是机器学习领域的初学者，我想学习如何使用梯度增强树(GBT)进行多类分类。我读过一些关于GBT的文章，但是关于回归问题，我找不到关于GBT多类分类的正确解释。GBT的实现是利用回归树作为弱学习者进行多类分类的GradientBoostingClassifier。
GB以提前阶段的方式建立了一个加性模型；它允许对任意可微损失函数进行优化。在每个阶段，n_classes_回归树都适用于二项或多项偏差损失</e
浏览 0提问于2018-04-25得票数 0
回答已采纳
根据我的理解，线性回归被用来预测一个基于输入的输出，它使用一个线性方程来最优地拟合一些输入数据。利用损失函数对输入数据选择最佳拟合线性方程。通过模拟y= mx +b中m和b的值，可以找到具有梯度下降的最优线性方程组。
我的问题是，梯度下降总是找到线性回归的全局最小损失吗？这个问题的一个扩展是，对前一个问题的答案不取决于所使用的损失函数吗？此外，当
浏览 0提问于2021-10-04得票数 2
回答已采纳
2回答
在吴家富的机器学习课程之后，他解释了如何修改logistic回归以获得支持向量机算法。首先，他用铰链损失代替(近似)交叉熵损失，如下图所示：然后去掉\frac{1}{m}系数，将整个成本函数除以正则化参数\lambda，从而导致σ(C=\frac{1}{\lambda})后面的参数生成的成本函数如下图所示，这是支持向量机的最小化目标：随后，他指出，通过选择参数C的一个很大的值，支持向量机将成为一个大的边缘
浏览 0提问于2020-03-12得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
