待验证50% 置信事实精确时间

逻辑回归的损失函数（交叉熵）本质上就是负对数似然

1

来源数

50%

置信度

长期有效

时效性

2026/9/4

首次发现

来源

机器学习数学学习路线图：从预备微积分到深度学习的完整路径

涉及实体

逻辑回归concept 最大似然估计concept

相关事实

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77% 相似待验证交叉熵损失函数 H(p,q) = -Σp(x)log q(x) 的最小值在q=p时取到，等于真实分布的熵73% 相似待验证微分熵可以取负值、不具有坐标不变性，在非线性变量变换下会发生改变73% 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72% 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68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/856625

API

curl https://kongchang.com/api/v1/knowledge/claims/856625

MCP

get_claim(id=856625)