从潜在变量到概率预测：深入理解逻辑斯蒂与Softmax函数
本文深入解析了监督学习中分类问题的核心。它从潜在连续变量和决策边界的角度出发，详尽地推导了 Logistic 函数的多种来源（基于误差分布、生成式模型和启发式方法），最终自然地拓展到处理多分类问题的 Softmax 函数。文章旨在帮助读者透彻理解这些关键概率模型背后的数学原理和直观意义。
machine learning
#Value
1
#Key
1
#Query
1
#参数共享
1
#Seq2Seq
1
#序列到序列
1
#Attention
1
#注意力
1
#编码器-解码器
1
#Encoder-Decoder
1
#RNN
1
#循环神经网络
1
#自动微分
1
#互相关与卷积
1
#平移不变性
1
#归纳偏置
1
#计算机视觉
1
#CNN原理,
1
#卷积神经网络
1
#误差信号
1
#深度学习
3
#反向传播
1
#前向传播
1
#激活函数
1
#multinational distribution
1
#范畴分布
1
#多项分布
1
#strong convex
1
#L-Smoothness
0
#多分类
1
#二分类
1
#优化算法
1
#收敛性
1
#Gradient Descent
1
#梯度下降
2
#Sigmoid
1
#决策边界
1
#Softmax
1
#Logistic
2
#回归问题
1
#分类问题
1
#最小二乘法
1
#正则化
1
#结构化风险
1
#经验风险
1
#噪声建模
1
#不确定性
1
#概率模型
2
#监督学习
2
#Maximum A Posteriori
1
#Maximum Likelihood Estimation
1
#MAP
1
#MLE
1
#最大后验估计
1
#最大似然估计
1
#convexity
2
#matrix calculus
1
#矩阵求导
1
#optimization
6
#Normal
1
#正态分布
1
#高斯分布
1
#Gaussian
1
#convex optimization
7
#虚函数
1
#B-Tree
1
#B树
1
#数据结构
2
#红黑树
1
#单隐层前馈神经网络
1
#前馈神经网络
1
#神经元模型
1
#神经网络
3
#对数几率回归
2
#逻辑斯蒂回归
3
#线性回归
1
#线性模型
1
#过滤数据
1
#虚机制
1
#数据聚合
1
#Tab Control
1
#切片
1
#List Control
1
#MFC
1
#DataFrame
1
#Series
1
#pandas
1
#统计学指标
1
#基本数据类型
1
#machine learning
7
#python
5
#numpy
4
#内存
1
#表现形式
1
#main函数
1
#变量作用域
0
#数据类型
1
#函数
0
#jupyter-notebook
1
#vscode
1
#anaconda3
1
#远程连接
1
#前缀和
1
#jupyter
1
#do...while
1
#while
1
#for
1
#循环结构
1
#if...else
1
#条件转移
1
#分支结构
1
#选择结构
1
#区间合并
1
#离散化
1
#位运算
1
#双指针
1
#差分
1
#浮点数二分
1
#Lower bound property
1
#排序
1
#整数二分
1
#归并排序
1
#二分
1
#switch
1
#快速选择
1
#快速排序
2
#switch-case
1
#编译器优化
1
#优化问题的解决思路
1
#Strong and Weak Duality
1
#表达式优化
1
#Duality
1
#半正定矩阵
1
#凸函数
1
#凸集
1
#凸优化
3
#优化
6
#KKT Conditions
1
#Complementary Slackness
1
#弱对偶性
1
#互补松弛条件
1
#对偶
1
#拉格朗日对偶
1
#强对偶性
1
#大整数乘法
1
#机器学习
9
#逆向
6
#C++逆向
8
#除法优化
2
#大整数除法
1
#C++大整数运算
1
#大整数减法
1
#基础算法
5
#大整数加法
1
#大整数运算
1
深入理解监督学习的概率视角：从噪声、建模到MLE与MAP
本文深入探讨了监督学习中概率模型的构建，从数据中的不确定性出发，分层解析了如何通过模型近似真实映射并量化噪声。通过对最大似然估计（MLE）和最大后验估计（MAP）的详细推导与对比，揭示了参数估计背后的统计学原理及其在优化问题中的应用。
机器学习基础：背景介绍与pandas对象的创建
由于许多机器学习框架都是用Python编写的，因此使用一个基于Python的数据分析框架是十分必要的，Pandas就是一款基于Python的数据分析框架，因此我们需要学会并掌握它...
机器学习基础：对NumPy数组进行数据处理操作
在将目标数据加载到NumPy数组中后，就需要进行一系列的数组处理操作，包括：对NumPy数组的访问、切片、过滤、计算数据的统计学指标、数据间的聚合和组合以及对计算后的结果保存和再加载的操作，本篇博文就对上述常用操作进行了阐述...
机器学习基础：通过NumPy生成随机数与样本采样
在机器学习的任务中，经常需要对某一个集合进行随机采样，而随机采样就需要使用随机数。本节学习的是通过不同的随机分布产生数值或者数组...
机器学习基础：使用NumPy做算术运算和矩阵运算
创建`NumPy`数组的目的就是为了运算，因此理解在`NumPy`中如何进行数学运算和线性代数运算，以及如何使用`NumPy`做上述运算是十分必要的...
机器学习基础：Numpy数组的创建和基本使用
在机器学习中，不可避免的要与数据打交道。如何高效的处理计算就是一个非常严肃的问题，幸运的是，`NumPy`就是一个高效的科学计算方案，因此学习和使用`NumPy`是非常必要的...