机器学习中经常遇到这几个概念，用大白话解释一下： 一、归一化 把几个数量级不同的数据，放在一起比较（或者画在一个数轴上），比如：一条河的长度几千甚至上万km，与一个人的高度1.7m，放在一起，人的 ...

多分类问题的交叉熵   在多分类问题中，损失函数（loss function）为交叉熵（cross entropy）损失函数。对于样本点(x,y)来说，y是真实的标签，在多分类问题中，其取值只可能为 ...

cross entropy 交叉熵的概念网上一大堆了，具体问度娘，这里主要介绍深度学习中，使用交叉熵作为类别分类。 1、二元交叉熵 binary_cross_entropy 　　　我们通常见 ...

浅谈KL散度 一、第一种理解　　 相对熵（relative entropy）又称为KL散度（Kullback–Leibler divergence，简称KLD），信息散度（information ...

机器学习的面试题中经常会被问到交叉熵(cross entropy)和最大似然估计(MLE)或者KL散度有什么关系，查了一些资料发现优化这3个东西其实是等价的。 熵和交叉熵 提到交叉熵就需要了解下信 ...

缩写: NN: neural network, 神经网络 MSE: Mean Squared Error, 均方误差 CEE: Cross Entropy Error, 交叉熵误差.( ...

交叉熵损失函数 熵的本质是香浓信息量\(\log(\frac{1}{p})\)的期望 既然熵的本质是香浓信息量\(\log(\frac{1}{p})\)的期望，那么便有 \[H( ...

1. 信息熵 熵度量了事物的不确定性，越不确定的事物，它的熵就越大。在没有外部环境的作用下，事物总是向着熵增大的方向发展，所以熵越大，可能性也越大。 \[H(X)=-\sum_{i=1}^n ...

前言 学习决策树时会接触到一些信息熵,条件熵和信息增益的知识,此外还有互信息,相对熵,交叉熵和互信息,KL散度等等乱七八糟的知识和名字,我本人已经记得大脑混乱了,还没有全部记住,所以在这里记录一下. ...

 sigmoid(x) 函数定义: \[\begin{align*} \sigma(x) &= \frac{1}{1+e^{-x}} \\ {\sigma \prime (x)} ...