深入理解線性模型（二）---基於似然函數的估計
更新時間：2019.10.31 目錄 1. 引言 2. 關於$\varepsilon$假設 3. 基於似然函數的估計 3.1 基於假設1 3.2 基於假設2 3.3. 基於假設3 4. 估計的優良性 5. 假設的場景 ...
原文：深入理解線性模型（一）---基於損失函數的估計
更新時間： . . 目錄 . 引言 . 從三個層面來看線性模型 . 總體層面 . 樣本層面 . . Guass Markov假設 . . 均值向量 . . X固定下Y的分布 . 數據層面 . 其他 . 基於損失函數的估計 . 二次損失 . . 損失函數是最小的 . . 損失函數最小化 . 其他損失函數 . . 最小絕對損失 . . huber函數 . . 分位回歸的損失 . 估計量 hat bet ...
2019-10-31 16:19 0 453 推薦指數：
相關推薦
深入理解線性模型（三）---基於貝葉斯的估計
引言 在前兩篇，我們分別從損失函數以及似然函數的角度來窺探了線性模型。接下來，繼續從一個新的角度 ...
2.2 logistic回歸損失函數（非常重要，深入理解）
上一節當中，為了能夠訓練logistic回歸模型的參數w和b，需要定義一個成本函數 使用logistic回歸訓練的成本函數 為了讓模型通過學習來調整參數，要給出一個含有m和訓練樣本的訓練集 很自然的，希望通過訓練集找到 ...
logistic回歸損失函數（非常重要，深入理解）
2.2 logistic回歸損失函數（非常重要，深入理解） 上一節當中，為了能夠訓練logistic回歸模型的參數w和b，需要定義一個成本函數 使用logistic回歸訓練的成本函數 為了讓模型通過學習 ...
『深度概念』度量學習中損失函數的學習與深入理解
『深度概念』度量學習中損失函數的學習與深入理解 0. 概念簡介 度量學習（Metric Learning），也稱距離度量學習(Distance Metric Learning，DML) 屬於機器學習的一種。其本質就是相似度的學習，也可以認為距離學習。因為在一定條件下，相似度和距離 ...
深入理解盒模型
前面的話 所有文檔元素都生成一個矩形框，這稱為元素框(element box)，它描述了一個元素在文檔布局中所占的空間大小。而且，每個框影響着其他元素框的位置和大小 寬高 寬度wi ...
深入理解PO模型
無論是手工測試還是自動化測試，最核心的任務就是編寫測試用例、執行測試用例、輸出測試報告以及維護測試用例。因此，如何提高自動化測試效率就等同於如何提高自動化編寫、執行、維護測試用例的效率。當下最流行的PO模型和關鍵字驅動模型都是為了解決此問題，本文主要介紹一下PO模型 PO模型介紹 全稱 ...
深入理解softmax函數
Softmax回歸模型，該模型是logistic回歸模型在多分類問題上的推廣，在多分類問題中，類標簽 可以取兩個以上的值。Softmax模型可以用來給不同的對象分配概率。即使在之后，我們訓練更加精細的模型時，最后一步也需要用softmax來分配概率。本質上其實是一種多種類型的線性分割，當類 ...