墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
7.3k累计阅读
7.4k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在使用tf-idf特征和logistic regression模型作文本分类（二分类）时，出现了下面的情况：
试过相同特征下的其他模型如Naive Bayes，但是效果一样：
又分别试了下word count特征，而不使用tf-idf，效果还是不行：
所以，log loss 到底什么范围才合理？log loss 特别大的话该如何解决？
1.为什么使用 log loss？log loss 和其他模型评估指标有什么区别？
针对分类问题的模型评估，可能有多种指标选择，比如混淆矩阵中的 Recall, Precision, F-Score 或者 Accuracy。
还有一种选择是使用 loss 指标，比如 log loss。
Log loss 和他们的区别是：
log loss 不仅考虑模型最后的分类表现，它还考虑了模型的概率。更大的概率会使得log loss变小，直至接近0；
它是对“不确定性”/“或者说”熵，的一种度量。
Log Loss it useful to compare models not only on the
不平衡分类中的概率评估指标：Log Loss与Brier Score详解
在机器学习领域，概率评估指标是解决类别不平衡问题的关键技术工具。交叉熵（Log Loss）和Brier Score作为核心评估方法，通过量化预测概率与真实分布的差异，克服了传统准确率指标在不平衡数据上的局限性。Log Loss基于信息论原理，对概率预测的微小偏差高度敏感；而Brier Score作为概率预测的均方误差，提供了更直观的校准性评估。这两种指标在金融风控、医疗诊断等代价敏感场景中尤为重要，能够评估模型对少数类的概率预测质量。特别在不平衡分类场景下，它们能有效识别模型是否真正学习到了数据规律，而非仅
深度学习损失函数全解析：从MSE到Focal Loss的原理与应用实战
损失函数是机器学习与深度学习的核心概念，它通过量化模型预测与真实值之间的差异，为模型优化提供明确的方向。其本质是一种距离度量，在回归任务中常用均方误差（MSE）衡量数值差距，在分类任务中则通过交叉熵评估概率分布的分歧。这些基础函数构成了模型训练的通用框架。在计算机视觉等复杂场景中，进阶损失函数展现出巨大技术价值。例如，Focal Loss通过调制因子动态降低易分样本权重，有效缓解了目标检测中前景与背景的极端类别不平衡问题；Dice Loss则直接优化预测区域与真实区域的重叠度，特别适用于医学图像分割等小目标
Loss看不见基底，Adam看得见：深度学习训练排查指南
在深度学习模型训练中，损失函数是衡量模型好坏的最常用指标，但它本质上是一个标量，将高维误差压缩成一个数值，无法反映梯度方向、参数更新量以及逐层训练状态等关键信息。许多训练者遇到loss停滞时，往往只调学习率或换batch size，却忽略了优化器本身的视角。Adam优化器通过为每个参数维护一阶矩和二阶矩，相当于在参数空间中建立了一套自适应坐标系，能够感知每个方向的梯度大小与稳定性，因此它看得见损失函数看不见的“基底”。理解这一原理后，训练排查不应只盯loss，而应同步关注梯度范数、参数范数以及Adam的统计
对数损失函数（Log Loss）在机器学习中是一种常用的损失函数，特别适用于二分类问题
对数损失函数是机器学习中常用的损失函数之一，特别适用于二分类问题。本文介绍了对数损失函数的定义、应用，并给出了使用Python实现对数损失函数的代码示例。通过使用对数损失函数，我们可以更好地评估模型的分类性能，并用于模型参数的优化。对数损失函数（Log Loss）在机器学习中是一种常用的损失函数，特别适用于二分类问题。对数损失函数，也称为交叉熵损失函数（Cross-Entropy Loss），用于衡量分类问题中模型预测概率分布与实际标签之间的差异。最后，根据对数损失函数的定义，计算损失值，并返回平均损失。
零代码构建AI智能体：COZE可视化工作流实战指南
AI智能体（AI Agent）是当前人工智能领域的重要发展方向，它通过模块化设计和工作流驱动，使大语言模型从被动对话转向主动执行。其核心原理在于将复杂的任务分解为可规划、可执行的步骤，并调用外部工具（插件）完成闭环。这一技术价值在于显著降低了自动化流程的开发门槛，让非程序员也能构建实用的数字助手。典型的应用场景包括智能客服、内容自动生成、数据分析和跨系统业务流程自动化。本文以COZE平台为例，深入解析如何通过其直观的可视化界面和丰富的插件生态，像搭积木一样快速搭建如“早安简报生成器”等实用智能体，并分享指令
PX4｜Gazebo模型加载失败排查指南：从环境变量到资源路径的全面解析
本文针对PX4与Gazebo联合仿真中常见的'Unable to get model name'错误，提供了从环境变量配置、资源路径排查到网络访问问题的全面解决方案。详细解析了GZ_SIM_RESOURCE_PATH等关键变量的作用与设置方法，并给出了离线模型库部署等一劳永逸的修复指南，帮助开发者彻底解决无人机模型加载失败问题。
百度地图街景图像批量获取
由于个人研究需要在最近试了一下使用API获取百度地图街景图片，在此介绍一下基于我个人需求的百度街景批量获取方法，本文以Python编码作为主要方法，如果对零编码工具有需要的可以关注一下UA城市分析小组刚刚发布的街景图片获取工具。 街景图像用作区域细粒度空间指标测度需要解决几个问题。 1. 首先就是调用额度的限制，现在百度对于个人认证开发者每天可用的街景图像调用额度为100张，在不考虑购买额度上限（1万张600元，其实有经费的前提下可以直接考虑钞能力）的情况下动辄几千上万张的爬取数量会大大增加需要爬取的时间周
电子发票二维码背后的秘密：10分钟看懂校验码、加密字符含义与防伪设计
本文深入解析电子发票二维码的结构与防伪设计，揭示校验码和加密字符的生成原理及验证方法。通过实际案例和技术细节，帮助财务人员理解电子发票的安全机制，提升防伪识别能力，确保税务合规。
零基础教程：用Python给试卷照片自动切题（有道OCR+PIL完整流程）
本文为零基础用户提供了一套完整的Python自动化切题方案。通过调用有道OCR API识别试卷照片中的题目坐标，并利用PIL库进行精准裁剪，将杂乱的试卷图片自动分割为独立的题目图像。教程详细涵盖了环境搭建、图像预处理、API调用、坐标解析与批量处理全流程，帮助教育工作者和技术爱好者高效处理大量试卷，实现工作流程自动化。
1、掌握 Microsoft Dynamics 365 Business Central 开发全解析
本文全面解析了Microsoft Dynamics 365 Business Central的开发全流程，涵盖开发环境搭建、AL语言扩展开发、定制解决方案实现、高级开发技术、文件与报表处理、打印功能、调试与性能优化、API使用、Azure和Power Platform集成、DevOps实践以及生成式AI应用。同时探讨了开发工具技巧、常见问题解决、开发流程优化、团队协作要点及未来技术趋势，帮助开发者系统掌握Business Central开发核心技能，提升企业级应用开发效率与质量。
深度测评：Accio Work——目前普通用户最友好的多 Agent 协同工具
摘要：Accio Work是阿里国际站推出的多Agent协同工具，通过借鉴古代"三省六部制"构建高效协作框架。该工具支持主流大模型，可配置专业Agent角色，实现40分钟内完成复杂产品PRD等高效协作。其亮点在于直观的UI设计和流程驱动机制，能强制各Agent从专业视角深度思考。虽然超长对话稳定性有待优化，但作为目前最用户友好的多Agent工具，显著降低了构建复杂AI团队的门槛，成为提升个人和小微企业生产力的利器。
Misc-RAR隐写
题目来自于：XCTF的SimpleRAR，由于涉及到许多新知识，所以写篇小文子记录一下。 一、下载完后是一个压缩包。 里面就有一个flag.txt，打开之后发现有一串字符是flag is not here，而且我们查看他的文件大小，只要十六字节，绝对不可能再藏着什么信息了。 然后把压缩包拉到010editor里面，发现一下子出来好多新的内容，很明显是有夹杂着的附加文件。 二、rar文件头信息。 rar 是由一个一个 block 组成的，每个 block 有以下几个部分 ...
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
223
扫一扫
