{"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":456,"pdf_page":472,"physical_index":472,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"c1da4047b9f098b392071ef8b4e0cf9afe127eb727f90e35ce25b0e95c5c54e3"},"chapter":"第16章","content":"的结果（一个张量）作为一个操作数传递给另一项操作。可以使用TensorBoard直观地呈现图。\n\nH\n\n启发法(heuristic)\n\n一种非最优但实用的问题解决方案，足以用于进行改进或从中学习。\n\n隐藏层(hidden layer)\n\n神经网络中的合成层，介于输入层（特征）和输出层（预测）之间。神经网络包含一个或多个隐藏层。\n\n合页损失函数(hinge loss)\n\n一系列用于分类的损失函数，旨在找到距离每个训练样本都尽可能远的决策边界，从而使样本和边界之间的裕度最大化。KSVM使用合页损失函数（或相关函数，例如平方合页损失函数）。对于二元分类，合页损失函数的定义如下：\n\n$$\n\\scriptstyle \\mathrm { l o s s = m a x } ( 0 , 1 - ( \\mathbf { y } ^ { \\prime * } \\mathbf { y } ) )\n$$\n\n其中“y”表示分类器模型的原始输出：\n\n$$\n\\mathbf { y } ^ { \\prime } { = } \\mathbf { b } { + } \\mathbf { w } _ { 1 } \\mathbf { x } _ { 1 } { + } \\mathbf { w } _ { 2 } \\mathbf { x } _ { 2 } { + } \\ldots { + } \\mathbf { w } _ { \\mathrm { n } } \\mathbf { x } _ { \\mathrm { n } }\n$$\n\n“y”表示真标签，值为-1或+1。\n\n维持数据(holdout data)\n\n训练期间故意不使用（“维持”）的样本。验证数据集和测试数据集都属于维持数据。维持数据有助于评估模型向训练时所用数据之外的数据进行泛化的能力。与基于训练数据集的损失相比，基于维持数据集的损失有助于更好地估算基于未见过的数据集的损失。\n\n超参数（hyperparameter）\n\n在模型训练的连续过程中，您调节的“旋钮”。例如，学习速率就是一种超参数。与参数相对。\n\n超平面（hyperplane）\n\n将一个空间划分为两个子空间的边界。例如，在二维空间中，直线就是一个超平面，在三维空间中，平面则是一个超平面。在机器学习中更典型的是，超平面是分隔高维度空间的边界。核支持向量机利用超平面将正类别和负类别区分开来（通常在极高维度空间中）。\n\n人工智能与大数据技术导论\n\n456","previous_page":455,"next_page":457}