- 博客(5)
- 收藏
- 关注
RSS订阅
2原创 多分类问题-Softmax及one-hot编码
上篇文章https://blog.csdn.net/m0_53114462/article/details/117416298利用sigmoid可以解决了二分类问题。那么对于多分类问题，我们该如何解决呢？这里介绍Softmax函数及one-hot编码解决多分类问题。一、Softmax函数1、定义在数学中，尤其是概率论和相关领域中， Softmax函数，又称归一化指数函数，是逻辑函数的一种推广。它的特点是能将一个含有任意实数的KKK维的向量ZZZ“压缩”到另一个KKK维实向量σ(Z)\sigma(Z)
2021-06-02 00:06:45
2865
原创 逻辑回归解决分类问题
一、分类问题我们已经知道线性回归可以解决拟合的问题，那么对于分类问题，我们该如何解决呢？基于线性回归的思考，我们能否训练一个线性回归模型，通过判断输出值的大小来确定其属于哪个类别？考虑二分类问题，假设我们认为线性回归模型输出值大于0.5时为1，小于0.5时为0，...
2021-05-31 17:48:57
1513
原创 用梯度下降法求线性回归问题
一、房子租凭价格预测问题如果现在有一个房屋面积为55平，请问最终的租赁价格是多少比较合适?二、线性回归模型1、一元线性回归模型：2、多元线性回归模型：在房子租凭价格问题中，我们可以以房子的面积、离地铁站的距离等属性为自变量。房价为因变量，即：x1：房子面积x2：离地铁站距离x3：最终要求是计算出 θ 的值，并选择最优的θ 值构成算法公式...
2021-05-30 23:00:21
384
原创 IoU、GIoU、DIoU、CIoU详解及python代码实现
一、IoU、GIoU、DIoU、CIoU详解：（1）IoUIoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示：由图可知IoU的值域为[0, 1]。IoU的优点：1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。2、 IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。IoU的缺点：1、当预测框和真实框不相交时，IoU(A,B)=0时
2021-05-30 18:45:47
3512
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人