{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":278,"pdf_page":294,"physical_index":294,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"121b95fb0d03b73f2fc357ff1638fc33e1ef79fca66a20cf1f2dfb6940cbb213"},"chapter":"第9章","content":"在训练时，我们使用的是不同的误差函数。线性回归用的是平方损失。而逻辑回归使用的是对数误差函数：\n\n$$\n\\operatorname { L o g } \\operatorname { L o s s } = \\sum _ { ( x , y ) \\in D } - y \\log ( y ^ { \\prime } ) - ( 1 - y ) \\log ( 1 - y ^ { \\prime } )\n$$\n\n其中， $( \\mathbf { \\boldsymbol { x } } , \\mathbf { \\boldsymbol { y } } )$ 属于数据集，包含很多已经标签了的样本数据，y是标签，0或1。对于给定的x, $y ^ { \\prime }$ 是预测值，在0和1之间。如果你仔细看这个公式就会发现，它看起来很像Shannon信息论中的熵测量。上述对数误差函数的图形如图9-13所示（如果不好理解这个数学公式，看懂图就行了）。\n\n图9-13表示，越接近其中一个条线，误差就会变得越大，而且变化速度也非常惊人。我们看到了渐近线的作用。由于这些渐近线的存在，我们需要将正则化纳入机器学习中。否则，在指定的数据集上，模型可能会尽量更紧密地拟合数据，努力让这些误差接近0。L2正则化在这里会非常有用，它可以确保权重不会严重失衡。\n\n线性逻辑回归很流行，它的速度非常快，能够非常高效地进行训练和预测。因此，如果我们需要一种方法来很好地扩展到海量的数据，或者需要将某种方法用于延迟时间极短的预测，那么线性逻辑回归可谓是理想之选。如果我们需要使用非线性逻辑回归，则可以通过添加特征交叉乘积来实现。\n\n人工智能与大数据技术导论\n\n278","previous_page":277,"next_page":279}