预测值
y
^
=
P
(
y
=
1
∣
x
)
\displaystyle \hat y = P(y=1|x)
y^=P(y=1∣x)
1
−
y
^
=
P
(
y
=
0
∣
x
)
1-\displaystyle \hat y = P(y=0|x)
1−y^=P(y=0∣x)
最大似然估计
p
(
y
∣
x
)
=
y
^
y
(
1
−
y
^
)
1
−
y
p(y|x) = \hat y ^ y (1- \hat y)^{1-y}
p(y∣x)=y^y(1−y^)1−y
概率(越大越好)等比于
∝
\varpropto
∝
log
(
p
(
y
∣
x
)
)
)
=
y
log
y
^
+
(
1
−
y
)
log
(
1
−
y
^
)
\log(p(y|x))) = y \log \hat y + (1-y) \log(1- \hat y)
log(p(y∣x)))=ylogy^+(1−y)log(1−y^)
损失函数(越小越好)在其前面加负号即可
L
=
−
y
log
y
^
−
(
1
−
y
)
log
(
1
−
y
^
)
L = - y \log \hat y - (1-y) \log(1- \hat y)
L=−ylogy^−(1−y)log(1−y^)
[百其]交叉熵损失函数
最新推荐文章于 2024-10-10 22:59:02 发布