7 Matching Annotations
- Mar 2017
-
exacity.github.io exacity.github.io
-
而其他可能使用梯度为0的解析解
而其他在梯度为0的情况下会使用解析解
-
大小
规模
-
当J^J^\hat J取最小时，其梯度
当梯度为0时，J^J^\hat J取得最小
-
许多正则化方法通过对目标函数 JJJ添加一个参数范数惩罚Ω(θ)Ω(θ)\Omega(\Vtheta)，限制模型（如神经网络、线性回归或逻辑回归）的学习能力
许多正则化方法都是基于限制模型的能力，如在神经网络、线性回归或者逻辑回归中，通过对目标函数J增加一个参数范数惩罚项Ω(θ)Ω(θ)|Omega(\Vtheta)。
-
参数范数惩罚
参数、范数、惩罚
-
在机器学习中许多策略通过明确设计，以增大训练误差为代价来减少测试误差
许多机器学习中精心设计的策略目标都在于减少测试误差(test error)，与之相伴的就是有可能带来训练误差的增加。
-
设计不仅在训练数据上表现好，并且能在新输入上泛化好的算法是机器学习中的一个核心问题
机器学习的一个核心问题在于，如何使算法不仅在训练数据上表现良好，并且在新输入的样本上也有同样的性能。
-