一些小知识

最新推荐文章于 2022-09-05 08:48:00 发布

想一骁

最新推荐文章于 2022-09-05 08:48:00 发布

阅读量73

点赞数

分类专栏：学习记录

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_44855634/article/details/108427459

版权

学习记录专栏收录该内容

5 篇文章 0 订阅

订阅专栏

折页损失(Hinge Loss)

在机器学习中被广泛使用的损失。

L(y) = max(0 , 1 – t⋅y)

相对熵（KL 散度）

用于度量两个概率分布之间的差异程度
对于离散型的两个概率分布P和Q：
在这里插入图片描述
对于连续型

KL散度的性质：

DKL(P∥Q)≥0，即非负性。
DKL(P∥Q)≠DKL(Q∥P)，即不对称性。
P通常为真实数据集，Q为理论值

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
一些小知识

折页损失(Hinge Loss)在机器学习中被广泛使用的损失。L(y) = max(0 , 1 – t⋅y)hinge loss相对熵（KL 散度）用于度量两个概率分布之间的差异程度对于离散型的两个概率分布P和Q：对于连续型KL散度的性质：DKL(P∥Q)≥0，即非负性。DKL(P∥Q)≠DKL(Q∥P)，即不对称性。P通常为真实数据集，Q为理论值...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。