sigmoid实例案例：（sigmoid作用就是把传统线性回归中的z 投射到分类问题（0，1）的概率中）
交叉熵损失函数扩充解释：
为什么二分类和多分类的不一样 因为在二分类问题中 每个样本得值是0或1 一组数据可以是[0,1,1,0,1,0,1] 多分类的数据只能是[[0,0,1],[0,1,0],[1,0,0],[0,1,0]]这种one-hot编码，所以公式直接是yi(c)log(pi(c))
yi(c)解释：
本文探讨了sigmoid函数的作用，即如何将线性回归的z值映射到0-1的概率区间，以及为何二分类与多分类问题的交叉熵损失函数计算不同。重点在于解释二分类中的yi(c)为0或1，而多分类则使用one-hot编码的表示方式。
507
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
