待验证50% 置信事实精确时间
logit函数定义为log(p/(1-p))，将概率值从[0,1]映射到(-∞,+∞)，是广义线性模型中处理二分类因变量的核心技术
1
来源数
50%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
数模国赛备赛全攻略：AI时代建模、选题与获奖策略
bilibili数模加油站2026/7/6
相关事实
待验证策略梯度定理证明梯度可表示为∇J(θ) = E[∇log π(a|s;θ) · Q^π(s,a)]，使用log-derivative trick将对概率分布的求导转化为对log概率的求导乘以采样值65% 相似待验证二分类交叉熵损失公式为 -[y·log(p) + (1-y)·log(1-p)]，其中y是真实标签，p是模型预测的正类概率60% 相似待验证逻辑回归通过Sigmoid函数将线性组合的输出压缩到(0,1)区间，表示样本属于某一类别的概率57% 相似待验证扩散模型反向过程的核心驱动力是Score函数，即对数密度梯度∇x log p(x)，指向概率密度增大最快的方向55% 相似待验证随机变量的香农熵定义为 H(X) = -∑ p(x) log p(x)，衡量随机变量的平均不确定性54% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/495879API
curl https://kongchang.com/api/v1/knowledge/claims/495879MCP
get_claim(id=495879)