Code_LT的博客

若榜单是分数型、追求简单可解释→选「加权平均法」；若榜单是名次型、候选数少→选「波达计数法」；若榜单冲突大、需聚焦相对优势→选「布拉德利-特里模型」；若存在极端榜单、需抗干扰→选「中位数排序法」；若数据量大、有标注数据、追求高精度→选「机器学习排序法」。通过以上步骤，可系统性地将多个差异榜单聚合为一个兼具合理性和可解释性的综合排序。

机器学习、概率论相关

本文详细的推导了二值交叉熵(BCE)和二值交叉熵损失函数(BCE Loss)之间的关系。

我们知道，现实世界里的任何观察都可以看成表示成信息和数据，一般来说，我们无法获取数据的总体，我们只能拿到数据的部分样本，根据数据的部分样本，我们会对数据的整体做一个近似的估计，而数据整体本身有一个真实的分布（我们可能永远无法知道），那么近似估计的概率分布和数据整体真实的概率分布的相似度，或者说差异程度，可以用 KL 散度来表示。因此，其中失败的次数为 n-k，对应失败的概率为 (1-p)。实际上，如果你显示输出我们的选择周围小 Δ 数量的 KL 散度值，你会看到我们选择的成功概率的 KL 散度最小。

看了不少解读和笔记，本文把最容易理解的解读做个总结。

每次在优快云写latex公式都没有一个很全的博客能完全覆盖，本文争取汇总Latex使用过程中用到的所有符号和技巧，包括：二元运算与关系符号、大型运算符、数学符号、特殊字符、希腊字母、各种括号和矩阵的编码等。注意，其他排版主要用优快云的markdown格式，不用latex的排版，所以本文不做讨论（如分段、表格，枚举等）。持续更新…1 字母1.1 希腊字母大小写对照示例编码示例编码A,α\Alpha, \alphaA,α\Alpha, \alphaB,β\Beta, \

求和符号性质