待验证50% 置信事实精确时间

线性回归的最小二乘损失与逻辑回归的交叉熵损失分别对应高斯噪声假设与伯努利分布假设下的最大似然估计

1

来源数

50%

置信度

长期有效

时效性

2026/7/14

首次发现

来源

掌握数学和Python后，如何系统入门机器学习

相关事实

待验证假设数据服从伯努利或多项分布，最大化似然等价于最小化交叉熵损失函数78% 相似待验证最小化交叉熵等价于最小化真实分布与预测分布之间的 KL 散度71% 相似待验证Focal Loss在标准交叉熵损失前添加调制因子(1-p_t)^γ，γ通常设为2，使模型聚焦于困难样本70% 相似待验证有限样本估计熵率面临系统性负偏差问题，插件估计量倾向于低估真实熵，可用Miller-Madow校正通过添加(k-1)/(2N)项补偿69% 相似已验证分类任务中的交叉熵损失本质上是对数似然函数的负值，最小化交叉熵等价于最大化模型对训练数据的对数似然68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/503609

API

curl https://kongchang.com/api/v1/knowledge/claims/503609

MCP

get_claim(id=503609)