待验证50% 置信事实精确时间

贝叶斯决策理论选择使期望损失最小化的行动a，即a=argmin_a E[L(θ,a)|x]，期望关于后验分布p(θ|x)计算

1

来源数

50%

置信度

长期有效

时效性

2026/8/4

首次发现

来源

机器学习的数学基础：从Mitchell定义到概率视角全解析

相关事实

待验证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66% 相似待验证贝叶斯最优分类器在0-1损失下等价于选择后验概率最大的类别，回归问题中条件期望在平方损失下是最优预测65% 相似待验证绝大多数常见损失函数都可以从最大似然估计推导出来65% 相似待验证假设数据服从高斯分布，最大化似然等价于最小化均方误差65% 相似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65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/680942

API

curl https://kongchang.com/api/v1/knowledge/claims/680942

MCP

get_claim(id=680942)