本文深入探讨了机器学习中关键的概念和技术，包括数据预处理、损失函数的选择与推导、激活函数的作用、优化算法如Momentum、RMSprop、Adam等解决局部最优问题的策略，以及前馈神经网络的工作原理。同时，文章还解释了为什么在逻辑回归中每个特征都需要进行归一化。
处理数据的原因是为了让数据更能够符合模型的计算。
比如归一化。
回归问题使用 MSE ：原因是用极大似然拟合正态分布。正态分布在这里有什么关系么？
cross entropy 也是通过极大似然推出来的？
loss function 极大似然 最大后验？？？
最大后验后面会加正则项而已
多个二分类和用 softmax ？？？？
多分类的 cross entropy ？？？？
前馈神经网络：沿着方向往前算。
为什么激活函数能够增加模型表现非线性特征的能力？？？
初始化问题？？？？
解决局部最优的方法：momentum, rmsprop, adam
反向传播是用来计算各参数梯度的一个手段
DT 什么时候分裂
LR 的 loss function 是怎么得来的
LR 为什么每个特征都要进行 normal ？？？
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
