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:
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: