Ella1019的博客

每次训练一个新的树就是去拟合梯度负数，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。具体操作是将一个像素点与它周围的数据点进行聚合统计，缩减特征图的尺寸，然后对其相邻的区域取均值或最大值，进一步减少参数量。前一个卷积层专注于的相对低级的特征，后一个卷积层整合前一个卷积层的特征，形成相对复杂的特征。如果某个属性的分类很多，也就是分叉超多，那么该属性下的样本就很少，此时的信息增益就非常高。卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂。

损失衡量的是模型在监督学习中预测结果的好坏一些用于分类的指标Precision: 对某一个具体的类的预测Recall: 对某一个具体的类的预测处理二分类问题ROC曲线：接收者操作特征(receiveroperating characteristic), roc曲线上每个点反映着对同一信号刺激的感受性。横轴：假正类率 (false postive rate, FPR)，特异度，划分实例中所有负例占所有负例的比例；TNR=1-FPR。