待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/8/6

首次发现

来源

机器学习数学基础入门：定义、概率视角与核心框架详解

相关事实

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74% 相似待验证困惑度是测试集上每个token平均负对数似然的指数，值越低代表模型对语料的预测越准确70% 相似待验证InfoNCE 损失通过在一批候选中最大化正样本对相似度、最小化负样本对相似度进行训练，温度超参数τ越小分布越集中69% 相似待验证经过良好校准的FP8推理，模型输出质量损失通常可控制在1%以内69% 相似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67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/699161

API

curl https://kongchang.com/api/v1/knowledge/claims/699161

MCP

get_claim(id=699161)