HunGRy_FOOliSHhh的博客

最简单的神经网络内部计算原理理解下面使用到的，是一个具有两个输入节点，以及两个输出节点的极简神经网络。层1 是输入节点，这层的节点只是展示输入值的功能，不做其他计算。从输入层到输出层之间总共有四种连接方式（即上面四个绿色箭头），首先，随机初始化这四个连接的权重。权重是神经网络进行学习的内容，这些权重持续进行优化，得到越来越好的结果。对于第二层输出层，这一层的每个节点，都需要计算出组合输入，即原始输入分别乘以相应的权重并相加，得到的组合输入。然后，利用激活函数，例如sigmoid函数：y=11+

机器学习算法衡量指标在分类问题中，将机器学习模型的预测与实际情况进行比对后，结果可以分为四种：TP、TN、FN、FP。每个的第一个字母：T/F，代表预测结果是否符合事实，模型猜得对不对，True or False。 每个的第二个字母：N/P，代表预测的结果，是Negative，还是Positive。因为对于分类问题，机器学习模型只会输出正类和负类两种预测结果。具体来说：结果描述TPTrue Positive，预测结果为正类，且与事实相符，即事实为正类。TNTrue Neg

机器学习之——“损失函数”与“成本函数”的辨析损失函数与成本函数都表示预测结果与真实情况的偏差。损失函数：是针对单个样本，成本函数：针对整个数据集成本函数是由损失函数计算得到的。不过在实际计算中，可以选择令成本函数为损失函数的总和，也可以令成本函数是损失函数值的平均。无论是总和还是平均，最终目标都是希望最小化成本，从而使假设函数的预测最可靠。...