鱼刺的家

Rexp(f^)=Ep[L(Y,f^(X))]=∫X∗YL(y,f^(x))P(x,y)dxdyR_{exp}(\hat{f})=E_p[L(Y,\hat{f}(X))]=\int_{\mathcal{X}*\mathcal{Y}}L(y,\hat{f}(x))P(x,y)dxdyRexp​(f^​)=Ep​[L(Y,f^​(X))]=∫X∗Y​L(y,f^​(x))P(x,y)dxdy

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) 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^​)...

梯度下降用途方法 用途 gradient descent / steepest descent 是求解无约束问题的最常用方法，实现简单。是一种迭代方法，每一步求解目标函数的梯度向量。 方法 假设 f(x)是RnR^nRn 上有一阶连续编导数的函数，要求解的无约束最优化问题是 min⁡x∈Rnf(x)\displaystyle\min_{x \isin R^n} f(x)x∈Rnmin​f(x) 一...