关键词:Logistic Regression, Native Bayes, Representation learning
特征工程方法的弊端:
- 结果高度依赖给定的特征,训练模型对新特征束手无策
- 确定对训练有效的特征是困难的
Representation learning:区别于手工标注,它的效果更好
MLP:可以看作是若干数学方程式组合起来的一个映射算法,每个方程式针对输入有各自不同的输出


探讨了特征工程的局限性,特别是在面对新特征时的无力感,以及如何通过表示学习(Representation learning)克服这一挑战,其效果优于传统的手工特征选择。同时介绍了多层感知器(MLP)作为表示学习的一种实现方式。
关键词:Logistic Regression, Native Bayes, Representation learning
特征工程方法的弊端:
Representation learning:区别于手工标注,它的效果更好
MLP:可以看作是若干数学方程式组合起来的一个映射算法,每个方程式针对输入有各自不同的输出



被折叠的 条评论
为什么被折叠?