In deep learning, the term logits layer is popularly used for the last neuron layer of neural network for classification task which produces raw prediction values as real numbers ranging from [3]. If p is a probability, then is the corresponding odds; the logit of the probability is the logarithm of the odds, i.e. logit ( p ) = log ...
然后学习算法被锐化，将对数损失分解为0.5--因此，那里的集群是主要的，这有点合乎逻辑。
logloss几乎没有什么可看的，在阶级划分方面，它是一个不起眼的指标。
事件概率越高，信号就越准确，这甚至来自于定义：)2 驼峰不会出现在嘈杂的数据上，但模型至少应该在适当的程度上捕获极端值，否则它根本无法确定输入。
我认为这不是那么简单的，你必须考虑学习功能...因为概率一般是在其数值之后计算的（在模型算法中如此）。
到目前为止，事实告诉我，污损的模型只是不确定，而且我还没有遇到中心的故障......
看logloss几乎是没有用的，它是一个不重要的指标，在分班方面是不重要的。
我认为这不是那么明确的，你必须考虑学习功能...因为概率一般是在其数值之后计算的。
到目前为止，事实告诉我，污损的模型只是不确定，而且我还没有遇到中心的故障......
我不明白这个术语，学习函数是什么？ 最后有一个softmax还是什么？
我不知道失败的原因，但不确定的模型不会对新数据起作用，而模糊的模型会，如果你设置概率阈值的话
我不明白这个术语，学习函数是什么？最后有一个softmax还是什么？
在这里，模型是通过logloss来评估的，所有的梯度提升 都是为了提高这个函数的性能。该模型本身产生的数值需要通过逻辑函数进行转换。这就是为什么我认为在这种有概率的方法中，一切都不是那么简单......
在这里，模型是通过logloss来评估的，所有梯度提升的行动都是为了提高这个函数的性能。该模型本身产生的数值需要通过逻辑函数进行转换。这就是为什么我认为在这种有概率的方法中，一切并不那么简单......
有最小和最大的f-ion，它们肯定会在logit边际......如果它们不在那里，那么就是运行不足或其他原因（我每次运行不足时都会遇到，比如神经元或树很少），而且有很大的误分类和logloss。
有最小和最大的f-ion，它们总是在logit的边缘......如果它们不在那里，那就是欠拟合或什么的（我总是在欠拟合的时候出现，比如说很少的神经元或树），而且分类错误和logloss很大。
这是关于模型输出的那些系数https://en.wikipedia.org/wiki/Logit - 它不是一个线性分布。
在我看来，训练不足比过度训练要好，特别是如果你专注于第1类，并采取很大比例的正确分类的目标，击中分类，然后你可以通过限制其应用范围来组合模型。
这是关于模型给出的那些系数https://en.wikipedia.org/wiki/Logit，它不是一个线性分布。
在我看来，训练不足比过度训练要好，特别是如果我们专注于第1类，并采取很大比例的正确分类的目标，属于分类，然后我们可以结合模型，限制其应用范围。
简而言之......我再说一遍：我们应该适当地进行教学，以避免拥挤（过拟合）和切断尾巴（欠拟合）。
在我看来，红色曲线看起来或多或少是正常的。
和欠拟合根本不算什么......在0.5的范围内
在模型运行时，可以通过贝叶斯，通过条件概率来拉出偏差。我还没有搞清楚到底是怎么回事，但凭直觉，有一种不可知的力量。
贝叶斯模型是能够学习的......如果你只是在模型上加一个贝叶斯的提示，让它不要经常重新训练呢......我还没有想明白。
我再说一遍：你必须正常地教它，这样就不会有碰撞（过量）和剪尾（不足）。
在我看来，红色曲线看起来比较正常。
和欠拟合根本不算什么......在0.5的范围内
在模型运行时，可以通过贝叶斯，通过条件概率来拉出偏差。我还没有搞清楚到底是怎么回事，但凭直觉，有一种不可知的力量。
贝叶斯模型能够重新训练......如果你只是在模型上加一个贝叶斯的提示，这样你就不必经常重新训练了......我还没有想到这一点。
是的，我也比较喜欢红色的--比如正态分布什么的，但到目前为止，在512个模型上，这种分布在眼睛上输了......很快就会有许多100000数量级的模型--我看看它们会显示什么......理论和实践有时并不一致--你需要适应，否则你可以像这样把你的牙齿放在架子上......
Catbust只是贝叶斯的，支持预学习，但我不知道--无休止地添加树--看起来很适合...
增加树木有点奇怪，没有重新组织整个结构......或者也许可以，很难说......对于一些小的角度，似乎可以，只是转移mb的中心。
而你还能怎么开窍呢--在提升中，据我所知，这是唯一的选择。当然，你可以扔掉模型的最后三分之一--三分之一的树--看看新的数据输入后会出现什么。但是，我正在考虑将不重要的 "概率 "的树叶归于无效--可以说是从噪声中清理出来的。一般来说，我认为从模型中收集集合的自动化，找到模型预测能力的良好区间--对其进行修剪分类（例如从0.7到0.8），并在其他模型之间的组合中加入空白。