待验证50% 置信事实精确时间

MSE定义为 L = (1/n) * Σ(a_out - y)^2，对单个样本损失为 (a_out - y)^2，其对输出层的梯度为 2(a_out - y) * σ'(z_out)。

1

来源数

50%

置信度

长期有效

时效性

2026/10/19

首次发现

来源

用NumPy手搓神经网络：一次深入理解反向传播的实践

redditr/deeplearning2026/10/19

涉及实体

均方误差（MSE）concept

相关事实

待验证均方误差（MSE）定义为估计值与真实值之差的平方的期望，可分解为偏差的平方与方差之和。69% 相似待验证分位数损失相比 MSE 对异常值更鲁棒，并能隐式刻画预测误差的非对称性66% 相似待验证相对L2误差定义为预测解与真解之差的L2范数除以真解L2范数；内部MSE仅统计解场内部区域（排除边界附近）的均方误差62% 相似待验证数值实验表明，新的近似方差表达式与经验均方误差（MSE）高度吻合，尤其在集合规模较大时误差极小。59% 相似待验证隐藏层误差项公式为 δ_hidden = (W_out^T · δ_out) * σ'(z_hidden)。58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1069366

API

curl https://kongchang.com/api/v1/knowledge/claims/1069366

MCP

get_claim(id=1069366)