机器学习

标签：函数   关于   str   样本   算法   模型   形式   参数   情况   

1）概况来讲，任何能够衡量模型预测出来的值h(θ)与真实值y之间的差异的函数都可以叫做代价函数C(θ)，如果有多个样本，则可以将所有代价函数的取值求均值，记做J(θ)。因此很容易就可以得出以下关于代价函数的性质：

• 对于每种算法来说，代价函数不是唯一的；
• 代价函数是参数θ的函数；
• 总的代价函数J(θ)可以用来评价模型的好坏，代价函数越小说明模型和参数越符合训练样本(x, y)；
• J(θ)是一个标量；

2）. 代价函数的常见形式

•  均方误差
• 交叉熵

3）过度拟合的问题通常发生在变量（特征）过多的时候。这种情况下训练出的方程总是能很好的拟合训练数据，也就是说，我们的代价函数可能非常接近于 0 或者就为 0。

机器学习

标签：函数   关于   str   样本   算法   模型   形式   参数   情况   

原文地址：https://www.cnblogs.com/javaloverx/p/9932413.html