待验证50% 置信事实时间未知
逻辑回归的参数通过最大化对数似然函数（等价于最小化交叉熵损失）来估计
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
Python机器学习实战：算法推导到代码复现全流程教程
bilibiliPython课程视频
相关事实
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73% 相似待验证语义熵方法在技术实现上通过多次采样获得候选回答、使用NLI模型判断语义等价性聚类、最后计算语义类别上的熵值72% 相似待验证推理时计算在模型参数固定的前提下，通过在推理阶段投入更多计算资源来改善输出质量67% 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66% 相似待验证蒙特卡洛PDE求解器的可微性来自其估计量本身是参数的光滑函数，可通过重参数化技巧或似然比方法直接获得无偏梯度估计，无需回溯大规模线性系统的中间状态65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/60906API
curl https://kongchang.com/api/v1/knowledge/claims/60906MCP
get_claim(id=60906)