{"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":453,"pdf_page":469,"physical_index":469,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"234797cfd22d9d4206e46f3e70046aa95f481ad341bf1f24b57c16b213984fdc"},"chapter":"第16章","content":"相应单词在句子中出现的次数。\n\n●表示成包含数百个元素（低维度）的密集向量，其中每个元素都包含一个介于0和1之间的浮点值。这就是一种嵌套。\n\n在TensorFlow中，会按反向传播损失训练嵌套，和训练神经网络中的任何其他参数时一样。\n\n经验风险最小化(EmpiricalRiskMinimization，ERM)\n\n用于选择可以将基于训练集的损失降至最低的模型函数。与结构风险最小化相对。\n\n集成学习(ensemble)\n\n多个模型的预测结果的并集。你可以通过以下一项或多项来创建集成学习：\n\n●不同的初始化。\n\n●不同的超参数。\n\n●不同的整体结构。\n\n深度模型和宽度模型属于一种集成学习。\n\n周期(epoch)\n\n在训练时，整个数据集的一次完整遍历，以便不漏掉任何一个样本。因此，一个周期表示“N/批次规模”次训练迭代，其中N是样本总数。\n\nEstimator\n\ntf.Estimator类的一个实例，用于封装负责构建TensorFlow图并运行TensorFlow会话的逻辑。可以创建自己的自定义Estimator，也可以将其他人预创建的Estimator实例化。\n\n样本(example）\n\n数据集的一行。一个样本包含一个或多个特征，此外，还可能包含一个标签。另可参阅有标签样本和无标签样本。\n\nF\n\n假负例(FalseNegative，FN)\n\n考虑一个二分类问题，即将实例分成正类（Positive）或负类（Negative）。对一个二分类问题来说，会出现4种情况。如果一个实例是正类并且也被预测成正类，即为真正类（TruePositive）；如果实例是负类被预测成正类，称为假正类（FalsePositive）。相应地，如果实例是负类被预测成负类，称为真负类（TrueNegative）；如果正类被预测成负类，则称为假负类(FalseNegative)。\n\nFN是被模型错误地预测为负类别的样本。例如，模型推断出某封电子邮件不是垃圾邮件（负类别），但该电子邮件其实是垃圾邮件。\n\n附录D 术语列表\n\n453","previous_page":452,"next_page":454}